Data-Driven Rank Tests for Independence
数据驱动的独立性秩检验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：摘要讨论一般独立性检验，未提供网络、因果或其他所列细分领域的依据。
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…
数据驱动的独立性秩检验
- 研究问题
- 当变量存在依赖但秩尺度线性相关较弱时，如何构造对高阶依赖也敏感、且功效随备择变化更稳定的独立性检验？
- 方法与思路
- 作者依据数据选择涉及的高阶多项式数量，将模型选择与选中模型的得分检验结合，并通过蒙特卡洛和一致性证明评价方法。
- 材料陈述的贡献
- 摘要称新检验不仅响应秩尺度线性相关，还能响应高阶多项式相关；模拟显示其功效更稳定，并给出一致性理论支持。
- 阅读关注点
- 应核对秩变换与多项式基的定义、模型选择规则和检验校准，以及一致性覆盖的备择范围与低线性相关模拟设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明一致性条件，也不能据此断言对所有依赖结构均更有功效。
原文摘要
We introduce new rank tests for testing independence. The new testing procedures are sensitive not only for grade linear correlation, but also for grade correlations of higher-order polynomials. The number of polynomials involved is determined by the data. Model selection is combined with application of the score test in the selected model. Whereas well-known tests as Spearman's test or Hoeffding's test may completely break down for alternatives that are dependent but have low grade linear correlation, the new tests have greater power stability. Monte Carlo results clearly show this behavior. Theoretical support is obtained by proving consistency of the new tests.