Multidimensional Stochastic Dominance Test Based on Center-outward Quantiles
基于中心向外分位数的多维随机占优检验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。
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：摘要核心是多元分位数、随机占优与分布比较检验，直接对应“分位数与分布效应”这一细分方向。
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
基于中心向外分位数的多维随机占优检验
- 研究问题
- 摘要称，随机占优在多维情形下因缺少 R^d（d≥2）中的规范排序、且多元分位数具有集值特征而难以推广；本文研究如何定义并检验多维随机占优。
- 方法与思路
- 作者提出基于 Hallin 等（2021）多元中心向外分位函数，通过比较定义在分位轮廓与分位区域上的贡献函数，构造一阶与二阶多维随机占优概念；并引入熵正则化最优传输以改善收敛速度与估计可行性，进而提出 Kolmogorov-Smirnov 与 Cramér-von Mises 型检验统计量。
- 材料陈述的贡献
- 摘要称本文给出新的多维随机占优概念、相应的一致检验统计量，并建立自助法（bootstrap）有效性；模拟显示检验具有良好有限样本表现，为多元分布比较提供理论严谨且计算可行的方案。
- 阅读关注点
- 应核对一阶与二阶占优定义的具体形式与识别条件、熵正则化对估计与收敛率的作用机制、检验统计量的渐近分布与 bootstrap 有效性所需假设，以及模拟设计是否覆盖高维与不同相依结构。
- 阅读边界
- 仅凭摘要无法判断定理条件、正则化参数选择、检验的实际功效与水平、模拟规模及与其他方法的比较；该文为 arXiv 预印本，未经同行评审验证，结论应以正式发表版本为准。
原文摘要
Stochastic dominance (SD) provides a quantile-based partial ordering of random variables and has broad applications. Its extension to multivariate settings, however, is challenging due to the lack of a canonical ordering in $\mathbb{R}^d$ ($d \ge 2$) and the set-valued character of multivariate quantiles. Based on the multivariate center-outward quantile function in Hallin et al. (2021), this paper proposes new first- and second-order multivariate stochastic dominance (MSD) concepts through comparing contribution functions defined over quantile contours and regions. To address computational and inferential challenges, we incorporate entropy-regularized optimal transport, which ensures faster convergence rate and tractable estimation. We further develop consistent Kolmogorov-Smirnov and Cramér- von Mises type test statistics for MSD, establish bootstrap validity, and demonstrate through extensive simulations good finite-sample performance of the tests. Our approach offers a theoretically rigorous, and computationally feasible solution for comparing multivariate distributions.