Statistical testing under distributional shifts
分布偏移下的统计检验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：摘要明确提供因果推断应用实例，因此选择因果推断；其余内容属于通用分布偏移检验，未明确对应其他所列细分。
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…
分布偏移下的统计检验
- 研究问题
- 当观测数据来自与目标分布不同的分布时，如何利用二者之间的偏移关系实施目标假设检验，并保留尺寸与功效保证？
- 方法与思路
- 作者先按分布偏移产生的权重重抽样构造辅助数据，再应用目标域的既有检验，并研究偏移映射由数据估计的情形。
- 材料陈述的贡献
- 摘要称在重抽样规模为 o(n) 且权重满足条件时继承逐点渐近水平与功效，并扩展到有限样本水平、一致水平等情形。
- 阅读关注点
- 应核对偏移映射、权重条件和重抽样规模限制，区分逐点与一致保证，并检查估计偏移及因果应用所需的额外条件。
- 阅读边界
- 所给 Crossref 摘要未列出权重和映射估计的具体条件；有限样本及一致性扩展不能自动视为对所有分布偏移均有效。
原文摘要
Abstract We introduce statistical testing under distributional shifts. We are interested in the hypothesis P*∈H0 for a target distribution P*, but observe data from a different distribution Q*. We assume that P* is related to Q* through a known shift τ and formally introduce hypothesis testing in this setting. We propose a general testing procedure that first resamples from the observed data to construct an auxiliary data set (similarly to sampling importance resampling) and then applies an existing test in the target domain. We prove that if the size of the resample is of order o(n) and the resampling weights are well behaved, this procedure inherits the pointwise asymptotic level and power from the target test. If the map τ is estimated from data, we maintain the above guarantees under mild conditions on the estimation. Our results extend to finite sample level, uniform asymptotic level, a different resampling scheme, and statistical inference different from testing. Testing under distributional shifts allows us to tackle a diverse set of problems. We argue that it may prove useful in contextual bandit problems and covariate shift, show how it reduces conditional to unconditional independence testing and provide example applications in causal inference.