A Shrinkage Likelihood Ratio Test for High-Dimensional Subgroup Analysis with a Logistic-Normal Mixture Model
逻辑斯蒂—正态混合模型下高维亚组分析的收缩似然比检验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：摘要的检验目标是是否存在处理效应有差异的亚组，直接涉及处理效应异质性分析，但未交代其因果识别设计。
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
逻辑斯蒂—正态混合模型下高维亚组分析的收缩似然比检验
- 研究问题
- 如何检验是否存在处理效应不同的亚组，同时应对无亚组原假设下分类参数不识别，以及分类协变量维度较高的问题？
- 方法与思路
- 作者在逻辑斯蒂—正态混合模型中修改似然，使高维未识别参数在原假设下向零收缩，并据此构造亚组存在性检验。
- 材料陈述的贡献
- 摘要称，收缩可处理原假设下的不规则性，在高维情形恢复简单的卡方型渐近分布，同时保留对备择假设的检验能力。
- 阅读关注点
- 应核对亚组与处理效应的模型定义、收缩强度和维度增长条件，以及卡方型极限、临界值计算及功效保证的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未说明处理效应的因果识别条件、具体渐近分布或有限样本表现。
原文摘要
In subgroup analysis, testing the existence of a subgroup with a differential treatment effect serves as protection against spurious subgroup discovery. Despite its importance, this hypothesis testing possesses a complicated nature: parameter characterizing subgroup classification is not identified under the null hypothesis of no subgroup. Due to this irregularity, the existing methods have the following two limitations. First, the asymptotic null distribution of test statistics often takes an intractable form, which necessitates computationally demanding resampling methods to calculate the critical value. Second, the dimension of personal attributes characterizing subgroup membership is not allowed to be of high dimension. To solve these two problems simultaneously, this study develops a shrinkage likelihood ratio test for the existence of a subgroup using a logistic-normal mixture model. The proposed test statistics are built on a modified likelihood function that shrinks possibly high-dimensional unidentified parameters toward zero under the null hypothesis while retaining power under the alternative. This shrinkage helps handle the irregularity and restore the simple chi-square-type asymptotics even under the high-dimensional regime.