Limit theorems of Azadkia-Chatterjee's conditional graph correlation
Azadkia–Chatterjee 条件图相关系数的极限定理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：摘要研究通用条件依赖度量及其极限理论；最近邻图属于估计工具，未提供经济网络干扰等细分方向的依据。
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
Azadkia–Chatterjee 条件图相关系数的极限定理
- 研究问题
- 基于秩与最近邻构造的条件依赖估计量，如何获得一般依赖情形下的渐近分布及可实施的方差估计？
- 方法与思路
- 作者推导估计量的渐近正态性和闭式极限方差，构造计算复杂度为 O(n log n) 的一致方差估计方法。
- 材料陈述的贡献
- 摘要称这些结果补充了既有一致性理论，并与已有偏差校正方法结合，为该条件依赖度量提供完整推断理论。
- 阅读关注点
- 应核对一般依赖的具体含义、分布与平滑性条件，以及偏差校正如何配合方差估计实现置信区间或检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出定理条件，也未说明高维或退化情形的适用边界。
原文摘要
Inferring the strength of conditional dependence and testing conditional independence are fundamental problems in statistics. A recent breakthrough by Azadkia and Chatterjee introduced, for the first time, a conditional dependence measure that equals $0$ if and only if the variables under study are conditionally independent, and equals $1$ if and only if they are conditionally perfectly dependent. They further proposed a computationally efficient and strongly consistent estimator, $T_n$, based on an ingenious use of ranks and nearest neighbors. Despite these attractive features, the asymptotic theory of $T_n$ has remained largely undeveloped. This paper closes that gap. We prove that, under general dependence, $T_n$ is asymptotically normal and its limiting variance admits a closed form. We also construct consistent variance estimators that are computationally efficient and implementable in $O(n\log n)$ time. Taken together with existing bias-correction methods, these results provide a complete inferential theory for $T_n$.