Nonparametric K -Sample Tests via Dynamic Slicing
基于动态切片的非参数多样本检验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：摘要提出通用非参数样本检验，未明确涉及分布效应或其他所列计量细分问题。
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
基于动态切片的非参数多样本检验
- 研究问题
- 如何为连续变量的多样本比较选择合适的离散化分辨率，使总体非参数检验兼顾差异捕捉能力与过度切片的控制？
- 方法与思路
- 作者在似然比统计量中加入切片数量惩罚，通过动态规划求取最优切片，并研究所得检验的零分布、功效和渐近性质。
- 材料陈述的贡献
- 摘要称，该框架提供高效切片算法，利用模拟和实例比较检验功效，并进一步发展了同一框架下的单样本检验。
- 阅读关注点
- 应核对切片搜索范围、惩罚项及其选择依据，以及数据驱动切片后如何校准零分布和控制检验的第一类错误。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；惩罚形式、校准步骤和功效比较数值未提供，不能认定对所有分布差异均有优势。
原文摘要
K-sample testing problems arise in many scientific applications and have attracted statisticians’ attention for many years. We propose an omnibus nonparametric method based on an optimal discretization (aka “slicing”) of continuous random variables in the test. The novelty of our approach lies in the inclusion of a term penalizing the number of slices (i.e., the resolution of the discretization) so as to regularize the corresponding likelihood-ratio test statistic. An efficient dynamic programming algorithm is developed to determine the optimal slicing scheme. Asymptotic and finite-sample properties such as power and null distribution of the resulting test statistic are studied. We compare the proposed testing method with some existing well-known methods and demonstrate its statistical power through extensive simulation studies as well as a real data example. A dynamic slicing method for the one-sample testing problem is further developed and studied under the same framework. Supplementary materials including technical derivations and proofs are available online.