A Weighted Edge-Count Two-Sample Test for Multivariate and Object Data
多元与对象数据的加权边计数两样本检验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：相似性图在此是通用两样本检验工具，网络数据仅为应用示例，摘要未明确研究网络互动或干扰效应。
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…
多元与对象数据的加权边计数两样本检验
- 研究问题
- 对于多元或非欧氏对象数据，如何利用样本间的相似性图进行两样本检验，并解决两组样本量不等带来的问题？
- 方法与思路
- 作者对经典相似性图检验统计量的不同组成部分施加适当权重，推导渐近置换零分布，并进行模拟与网络数据应用。
- 材料陈述的贡献
- 摘要称，加权统计量解决样本量不等时的既有问题，模拟显示明显功效增益，渐近置换分布也有较好的有限样本表现。
- 阅读关注点
- 应核对权重如何抵消样本量差异、相似性图和距离的选择、渐近分布所需条件，以及不同备择下的功效比较。
- 阅读边界
- 来源为版本未注明的索引摘要；摘要未给出图结构条件与功效数值，不能认为任意相似性度量均保证有效或高功效。
原文摘要
Two-sample tests for multivariate data and non-Euclidean data are widely used in many fields. Parametric tests are mostly restrained to certain types of data that meets the assumptions of the parametric models. In this article, we study a nonparametric testing procedure that uses graphs representing the similarity among observations. It can be applied to any data types as long as an informative similarity measure on the sample space can be defined. The classic test based on a similarity graph has a problem when the two sample sizes are different. We solve the problem by applying appropriate weights to different components of the classic test statistic. The new test exhibits substantial power gains in simulation studies. Its asymptotic permutation null distribution is derived and shown to work well under finite samples, facilitating its application to large datasets. The new test is illustrated through an analysis on a real dataset of network data.