Detecting Weak Distribution Shifts via Displacement Interpolation
利用位移插值检测微弱分布变化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：摘要直接研究微弱分布变化及异质响应，并以消费者支出分布变化作为应用。
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
利用位移插值检测微弱分布变化
- 研究问题
- 当备择分布相对原假设的偏离随样本量增加而缩小时，何种微弱系统性分布变化仍可检测，检测边界上的错误率如何表现？
- 方法与思路
- 作者利用最优传输中的位移插值连接原假设与备择分布，以 Wasserstein 距离构造检验，并通过经验过程分析检测边界。
- 材料陈述的贡献
- 摘要称，作者给出可检测性的精确条件和边界处渐近两类错误率，并以疫情后消费及跨学科发表的 p 值分布展示方法。
- 阅读关注点
- 应核对插值路径与偏离强度的定义、分布和样本维度条件，以及检测边界如何依赖两端分布及经验距离估计。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未给出具体检测速率和条件，消费变化实例也不足以证明疫情或政策的因果效应。
原文摘要
Detecting weak, systematic distribution shifts and quantitatively modeling individual, heterogeneous responses to policies or incentives have found increasing empirical applications in social and economic sciences. Given two probability distributions P (null) and Q (alternative), we study the problem of detecting weak distribution shift deviating from the null P toward the alternative Q, where the level of deviation vanishes as a function of n, the sample size. We propose a model for weak distribution shifts via displacement interpolation between P and Q, drawing from the optimal transport theory. We study a hypothesis testing procedure based on the Wasserstein distance, derive sharp conditions under which detection is possible, and provide the exact characterization of the asymptotic Type I and Type II errors at the detection boundary using empirical processes. We demonstrate how the proposed testing procedure works in modeling and detecting weak distribution shifts in real data sets using two empirical examples: distribution shifts in consumer spending after COVID-19, and heterogeneity in the published p-values of statistical tests in journals across different disciplines.