Two-sample Testing in High Dimensions
高维两样本检验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：摘要中的差异网络是统计图模型比较，未涉及经济网络干扰或因果传播，故不据此归入网络领域。
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
高维两样本检验
- 研究问题
- 在允许稀疏估计的高维模型中，如何检验两个样本的模型是否相同，并处理一般情形下的非嵌套模型比较？
- 方法与思路
- 作者利用稀疏结构构造高维似然比式统计量，给出渐近分析，并提出数据分割程序及利用稀疏结构的置换检验变体。
- 材料陈述的贡献
- 摘要称形成适用于多类模型的两样本检验框架，并以高维回归、图模型、模拟及两项癌症研究数据展示应用。
- 阅读关注点
- 应核对稀疏估计误差如何影响检验、数据分割和置换的有效性条件，以及非嵌套比较中的尺寸与功效保证。
- 阅读边界
- 所给材料仅为 Crossref 摘要；具体模型限制、计算复杂度和实验数值未说明，不能据此判定普遍性能优势。
原文摘要
Summary We propose new methodology for two-sample testing in high dimensional models. The methodology provides a high dimensional analogue to the classical likelihood ratio test and is applicable to essentially any model class where sparse estimation is feasible. Sparse structure is used in the construction of the test statistic. In the general case, testing then involves non-nested model comparison, and we provide asymptotic results for the high dimensional setting. We put forward computationally efficient procedures based on data splitting, including a variant of the permutation test that exploits sparse structure. We illustrate the general approach in two-sample comparisons of high dimensional regression models (‘differential regression’) and graphical models (‘differential network’), showing results on simulated data as well as data from two recent cancer studies.