Nonparametric inference for ratios of densities via uniformly valid and powerful permutation tests
密度比的非参数推断：一致有效且有功效的置换检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要研究通用密度比检验，因果推断仅为应用背景，未明确估计因果效应。
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
密度比的非参数推断：一致有效且有功效的置换检验
- 研究问题
- 给定两组独立样本，如何检验两密度之比是否与已知函数成比例，并在密度比未知时控制估计误差对检验的影响？
- 方法与思路
- 作者以 MCMC 生成合并样本的加权置换，结合积分概率度量或偏移最大均值差异，并用独立训练样本估计未知密度比。
- 材料陈述的贡献
- 摘要称获得有限样本有效性、特定条件下的一致性与极小极大最优性，并给出未知密度比时的错误率界及条件两样本扩展。
- 阅读关注点
- 应核对加权置换的交换性、有限步 MCMC 实现的有效性条件、函数类与 Sobolev 限制，以及训练误差如何进入检验界。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出完整有效性与最优性条件，也不能据此确认具体因果识别假设成立。
原文摘要
We propose the density ratio permutation test, a hypothesis test that assesses whether the ratio between two densities is proportional to a known function based on independent samples from each distribution. The test uses an efficient Markov Chain Monte Carlo scheme to draw weighted permutations of the pooled data, yielding exchangeable samples and finite sample validity. For power, if the statistic is an integral probability metric, our procedure is consistent under mild assumptions on the defining function class; specializing to a reproducing kernel Hilbert space, we introduce the shifted maximum mean discrepancy and prove minimax optimality of our test when a normalized difference between the densities lies in a Sobolev ball. We extend to the case of an unknown density ratio by estimating it on an independent training sample and derive type~I error bounds in terms of the estimation error as well as power results. This allows adapting our method to conditional two sample testing, making it a versatile tool for assessing covariate-shift and related assumptions, which frequently arise in transfer learning and causal inference. Finally, we validate our theoretical findings through experiments on both simulated and real-world datasets.