Concentration and goodness-of-fit in higher dimensions: (asymptotically) distribution-free methods
高维中的集中性与拟合优度：渐近分布无关方法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：摘要讨论通用多维拟合优度与概率集中性，并非经济变量的分位数或分布效应研究。
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
高维中的集中性与拟合优度：渐近分布无关方法
- 研究问题
- 在任意有限维空间中，如何构造拟合优度检验和诊断图，使其统计量能够具有类似一维经典检验的渐近分布性质？
- 方法与思路
- 作者用质量集中性重述拟合优度问题，以最小体积集合替代一维分位数，构造广义分位数变换及相关过程的连续泛函。
- 材料陈述的贡献
- 摘要称，相关过程表现类似标准一维均匀经验过程；在简单假设下，检验统计量渐近分布无关且极限分布已知。
- 阅读关注点
- 应核对最小体积集合的定义与构造、过程收敛条件，以及简单假设的分布无关结论能否扩展到含待估参数的情形。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 摘要；有限维结论不能直接推广到维数增长，复合假设和有限样本性质也未说明。
原文摘要
A novel approach for constructing goodness-of-fit techniques in arbitrary finite dimensions is presented. Testing problems are considered as well as the construction of diagnostic plots. The approach is based on some new notions of mass concentration, and in fact, our basic testing problems are formulated as problems of ‘‘goodness-of-concentration.’’ It is this connection to concentration of measure that makes the approach conceptually simple. The presented test statistics are continuous functionals of certain processes which behave like the standard one-dimensional uniform empirical process. Hence, the test statistics behave like classical test statistics for goodness-of-fit. In particular, for simple hypotheses they are asymptotically distribution free with well-known asymptotic distribution. The simple technical idea behind the approach may be called a generalized quantile transformation, where the role of one-dimensional quantiles in classical situations is taken over by so-called minimum volume sets.