Projection Test for Mean Vector in High Dimensions
高维均值向量的投影检验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：题名与片段仅支持通用高维均值检验，缺乏归入所列经济计量细分领域的依据。
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
高维均值向量的投影检验
- 研究问题
- 题名指向高维均值向量检验；所给不完整摘要主要关注如何缓解数据分割造成的功效损失，并随新观测更新投影方向。
- 方法与思路
- 所给摘要片段称，作者提出在线框架，在新观测到达时迭代更新投影方向，并分析在线式投影检验的渐近分布。
- 材料陈述的贡献
- 片段称，在线式检验渐近服从标准正态分布；模拟和真实数据示例显示第一类错误率保持较好，并有较高功效。
- 阅读关注点
- 应先查阅完整摘要及全文，确认检验原假设、基础投影统计量和数据分割方式，再核对在线更新及正态极限条件。
- 阅读边界
- OpenAlex 索引摘要开头明显截断，稿件版本未注明；不能重构缺失的检验名称、统计量或假设，也不能推断刊本变化及普遍功效优势。
原文摘要
-test under normality assumption. To mitigate the power loss due to data-splitting, we further propose an online framework, which iteratively updates the estimation of projection direction when new observations arrive. We show that this online-style projection test asymptotically converges to the standard normal distribution. Various simulation studies as well as a real data example show that the proposed online-style projection test retains the type I error rate well and is more powerful than other existing tests.