Inference for Dependent Data with Learned Clusters
利用学习所得聚类对相依数据进行推断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：摘要研究一般空间相依数据的聚类推断，未明确对应所列面板、网络或其他领域细分。
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…
利用学习所得聚类对相依数据进行推断
- 研究问题
- 当空间数据的依赖结构由已知相异度刻画时，能否从数据中选择聚类划分与聚类数量，同时保持假设检验的有效性？
- 方法与思路
- 作者对空间索引间的已观测相异度使用无监督聚类，再实施基于聚类的推断，并允许聚类数量由数据决定。
- 材料陈述的贡献
- 摘要给出数据驱动聚类后渐近控制检验尺寸的条件，并称模拟中该程序在多种相依数据检验问题下接近名义水平。
- 阅读关注点
- 应核对相异度与随机变量依赖强度之间的联系、聚类数量选择规则，以及聚类学习和后续推断共同满足的渐近条件。
- 阅读边界
- 仅据所给摘要；摘要未说明具体聚类算法、依赖衰减条件及检验统计量，不能据此认为任意聚类方法都支持有效推断。
原文摘要
Abstract This article presents and analyzes an approach to cluster-based inference for dependent data. The primary setting considered here is with spatially indexed data in which the dependence structure of observed random variables is characterized by a known, observed dissimilarity measure over spatial indices. Observations are partitioned into clusters with the use of an unsupervised clustering algorithm applied to the dissimilarity measure. Once the partition into clusters is learned, a cluster-based inference procedure is applied to a statistical hypothesis testing procedure. The procedure proposed in the article allows the number of clusters to depend on the data, which gives researchers a principled method for choosing an appropriate clustering level. The article gives conditions under which the proposed procedure asymptotically attains correct size. A simulation study shows that the proposed procedure attains near nominal size in finite samples in a variety of statistical testing problems with dependent data.