Generalized R-squared for detecting dependence
用于检测依赖的广义决定系数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：摘要研究两变量依赖度量与独立性检验，属于通用统计方法，未明确涉及因果识别或所列经济金融应用方向。
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…
用于检测依赖的广义决定系数
- 研究问题
- 当两个单变量随机变量之间存在非线性或异方差关系时，如何检测独立性并量化关系强度，弥补线性相关系数的局限？
- 方法与思路
- 作者提出具有分段决定系数解释的 G-squared 度量，构造两个估计量并证明一致性，通过模拟比较独立性检验功效。
- 材料陈述的贡献
- 摘要称该度量在线性同方差关系下接近通常的决定系数，对非线性和异方差有效，模拟中检验功效处于比较方法的前列。
- 阅读关注点
- 阅读时应核对总体度量与分段规则的定义、独立性检验的校准方法、一致性条件，以及功效比较采用的依赖情景。
- 阅读边界
- 仅据所给 Crossref 摘要，未核验稿件或刊本版本。摘要未提供检验条件及数值结果；依赖强度不能解释为因果效应。
原文摘要
SUMMARY Detecting dependence between two random variables is a fundamental problem. Although the Pearson correlation coefficient is effective for capturing linear dependence, it can be entirely powerless for detecting nonlinear and/or heteroscedastic patterns. We introduce a new measure, G-squared, to test whether two univariate random variables are independent and to measure the strength of their relationship. The G-squared statistic is almost identical to the square of the Pearson correlation coefficient, R-squared, for linear relationships with constant error variance, and has the intuitive meaning of the piecewise R-squared between the variables. It is particularly effective in handling nonlinearity and heteroscedastic errors. We propose two estimators of G-squared and show their consistency. Simulations demonstrate that G-squared estimators are among the most powerful test statistics compared with several state-of-the-art methods.