Nonparametric measure-transportation-based methods for directional data
基于测度运输的方向数据非参数方法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：摘要研究方向数据的通用分布与检验工具，未涉及经济分布效应或其他所列应用方向。
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…
关注这篇论文的作者
基于测度运输的方向数据非参数方法
- 研究问题
- 如何在超球面方向数据上定义分布、分位数、秩和符号，并据此构造具有分布自由性质的一致性检验？
- 方法与思路
- 作者利用最优运输构造球面分布与分位数区域，建立经验版本及秩符号，再设计均匀性和方向 MANOVA 检验。
- 材料陈述的贡献
- 摘要称经验分布满足 Glivenko–Cantelli 性质，相关检验具有普遍一致性；模拟报告优于比较对象，并展示太阳黑子应用。
- 阅读关注点
- 应核对运输映射的定义、分布自由性和一致性的条件，旋转对称下的闭式表达，以及模拟竞争方法与备择覆盖范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件与模拟数值未说明，模拟中的优势不能推广为所有方向数据情形下的优势。
原文摘要
Abstract This article proposes various nonparametric tools based on measure transportation for directional data. We use optimal transports to define new notions of distribution and quantile functions on the hypersphere, with meaningful quantile contours and regions and closed-form formulas under the classical assumption of rotational symmetry. The empirical versions of our distribution functions enjoy the expected Glivenko–Cantelli property of traditional distribution functions. They provide fully distribution-free concepts of ranks and signs and define data-driven systems of (curvilinear) parallels and (hyper)meridians. Based on this, we also construct a universally consistent test of uniformity and a class of fully distribution-free and universally consistent tests for directional MANOVA which, in simulations, outperform all their existing competitors. A real-data example involving the analysis of sunspots concludes the article.