An Omnibus Non-Parametric Test of Equality in Distribution for Unknown Functions
未知函数分布相等的综合非参数检验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：摘要明确将条件平均处理效应是否几乎处处为零列为检验的特殊应用，直接关联因果推断。
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…
未知函数分布相等的综合非参数检验
- 研究问题
- 当两个未知函数可由数据估计时，如何检验它们作用于观测结构后是否具有相同分布，并检验条件平均处理效应是否几乎处处为零？
- 方法与思路
- 作者利用高阶路径可微理论推广最大均值差异检验，将统计量表达为 U 统计量，并研究原假设、固定备择及局部备择下的渐近行为。
- 材料陈述的贡献
- 摘要提出一族针对未知函数分布相等的综合非参数检验，给出应用例子与模拟；其中特殊情形可用于检验条件平均处理效应几乎处处为零。
- 阅读关注点
- 应核对函数估计误差如何进入统计量、零假设下的极限分布与临界值构造，以及条件平均处理效应应用所需的识别条件。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明核函数、辅助估计条件及模拟设计，所称表现良好不能据此推广到所有数据结构或刊本版本。
原文摘要
Summary We present a novel family of non-parametric omnibus tests of the hypothesis that two unknown but estimable functions are equal in distribution when applied to the observed data structure. We developed these tests, which represent a generalization of the maximum mean discrepancy tests described by Gretton and colleagues, using recent developments from the higher order pathwise differentiability literature. Despite their complex derivation, the associated test statistics can be expressed quite simply as U-statistics. We study the asymptotic behaviour of the proposed tests under the null hypothesis and under both fixed and local alternatives. We provide examples to which our tests can be applied and show that they perform well in a simulation study. As an important special case, our proposed tests can be used to determine whether an unknown function, such as the conditional average treatment effect, is equal to zero almost surely.