Two-sample testing of high-dimensional linear regression coefficients via complementary sketching
通过互补压缩检验两样本高维线性回归系数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：摘要研究一般两样本高维回归检验，未说明时间断点、处理效应或所列其他专门应用。
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
通过互补压缩检验两样本高维线性回归系数
- 研究问题
- 在两组高维线性回归系数无法分别可靠估计时，如何检验其差异，并兼顾稀疏差异与稠密差异两种情形？
- 方法与思路
- 作者沿部分坐标符号互补的方向投影协变量矩阵和响应向量，汇总投影结果，构造分别针对两类差异的检验统计量。
- 材料陈述的贡献
- 摘要称在高斯设计下，两种检验具有基本最优的渐近功效，并以模拟和大型单细胞 RNA 测序数据说明实用性。
- 阅读关注点
- 应核对互补投影的构造、设计矩阵和样本规模条件、稀疏与稠密备择的定义，以及渐近功效最优性的比较标准。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；未给出检测界或完整条件，高斯设计下的结论不能直接推广至任意设计。
原文摘要
We introduce a new method for two-sample testing of high-dimensional linear regression coefficients without assuming that those coefficients are individually estimable. The procedure works by first projecting the matrices of covariates and response vectors along directions that are complementary in sign in a subset of the coordinates, a process which we call “complementary sketching.” The resulting projected covariates and responses are aggregated to form two test statistics, which are shown to have essentially optimal asymptotic power under a Gaussian design when the difference between the two regression coefficients is sparse and dense respectively. Simulations confirm that our methods perform well in a broad class of settings and an application to a large single-cell RNA sequencing dataset demonstrates its utility in the real world.