Statistical Tests for Large Tree-Structured Data
大型树结构数据的统计检验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：摘要研究树结构统计与医学图像，未明确涉及所列网络与干扰等计量方向。
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…
大型树结构数据的统计检验
- 研究问题
- 如何为大型树结构数据建立统计模型与渐近拟合优度检验，并用树表示的医学图像比较患者组之间的肿瘤异质性？
- 方法与思路
- 作者先为二叉树建立模型和不变检验，再利用连续随机树的分布性质推广至一般树，构造具有卡方或 F 渐近分布的统计量。
- 材料陈述的贡献
- 摘要称，研究提供计算简单的树结构拟合优度检验，并通过磁共振图像的树表示，展示其检测脑癌肿瘤异质性的应用。
- 阅读关注点
- 核对二叉树模型的一致性含义、不变性针对的变换、连续随机树极限的条件，以及图像转为树的步骤对检验的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未说明检验的具体假设、有限样本校准及患者组比较结果。
原文摘要
We develop a general statistical framework for the analysis and inference of large tree-structured data, with a focus on developing asymptotic goodness-of-fit tests. We first propose a consistent statistical model for binary trees, from which we develop a class of invariant tests. Using the model for binary trees, we then construct tests for general trees by using the distributional properties of the continuum random tree, which arises as the invariant limit for a broad class of models for tree-structured data based on conditioned Galton–Watson processes. The test statistics for the goodness-of-fit tests are simple to compute and are asymptotically distributed as χ2 and F random variables. We illustrate our methods on an important application of detecting tumor heterogeneity in brain cancer. We use a novel approach with tree-based representations of magnetic resonance images and employ the developed tests to ascertain tumor heterogeneity between two groups of patients. Supplementary materials for this article are available online.