An Entropy-Based Approach for Nonparametrically Testing Simple Probability Distribution Hypotheses
基于熵的简单概率分布假设非参数检验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：摘要研究通用分布拟合检验，未涉及分位数或分布效应等所列具体方向。
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…
基于熵的简单概率分布假设非参数检验
- 研究问题
- 如何构造统一且易计算的非参数检验，评估总体是否服从某个完全指定的参数分布，并减少人为调参需求？
- 方法与思路
- 作者依据待检验总体分布的特征函数构造熵检验，并通过模拟考察表现，以回归数据变换示例讨论复合假设应用。
- 材料陈述的贡献
- 摘要称检验无需用户指定核函数、带宽或评价网格；对若干备择分布，模拟检验功效随样本量增加而提高。
- 阅读关注点
- 应核对熵统计量的定义、临界值获取和显著性水平控制，以及数据变换处理复合假设时是否引入额外估计误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出有效性条件及数值，一般复合假设扩展仍属讨论内容。
原文摘要
In this paper, we introduce a flexible and widely applicable nonparametric entropy-based testing procedure that can be used to assess the validity of simple hypotheses about a specific parametric population distribution. The testing methodology relies on the characteristic function of the population probability distribution being tested and is attractive in that, regardless of the null hypothesis being tested, it provides a unified framework for conducting such tests. The testing procedure is also computationally tractable and relatively straightforward to implement. In contrast to some alternative test statistics, the proposed entropy test is free from user-specified kernel and bandwidth choices, idiosyncratic and complex regularity conditions, and/or choices of evaluation grids. Several simulation exercises were performed to document the empirical performance of our proposed test, including a regression example that is illustrative of how, in some contexts, the approach can be applied to composite hypothesis-testing situations via data transformations. Overall, the testing procedure exhibits notable promise, exhibiting appreciable increasing power as sample size increases for a number of alternative distributions when contrasted with hypothesized null distributions. Possible general extensions of the approach to composite hypothesis-testing contexts, and directions for future work are also discussed.