Nonparametric independence testing via mutual information
基于互信息的非参数独立性检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用独立性及拟合优度检验，未给出因果、面板或其他所列细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于互信息的非参数独立性检验
- 研究问题
- 如何利用样本检验两个多元随机向量的独立性，并在不同边际信息条件下构造临界值与分析检验的局部功效？
- 方法与思路
- 作者将互信息分解为联合熵和边际熵，用最近邻距离估计熵，再根据边际信息采用模拟或数据置换确定临界值。
- 材料陈述的贡献
- 摘要称方法具有检验水平保证及密度类上的局部功效分析，并可扩展为基于协变量与误差独立性的正态线性模型拟合检验。
- 阅读关注点
- 应核对最近邻熵估计的正则条件、边际近似误差如何进入检验，以及置换有效性和局部功效结果覆盖的密度类别。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断高维样本需求及所有依赖形式下的功效；线性模型扩展的具体误差构造未说明。
原文摘要
Summary We propose a test of independence of two multivariate random vectors, given a sample from the underlying population. Our approach is based on the estimation of mutual information, whose decomposition into joint and marginal entropies facilitates the use of recently developed efficient entropy estimators derived from nearest neighbour distances. The proposed critical values may be obtained by simulation in the case where an approximation to one marginal is available or by permuting the data otherwise. This facilitates size guarantees, and we provide local power analyses, uniformly over classes of densities whose mutual information satisfies a lower bound. Our ideas may be extended to provide new goodness-of-fit tests for normal linear models based on assessing the independence of our vector of covariates and an appropriately defined notion of an error vector. The theory is supported by numerical studies on both simulated and real data.