Standing on the Shoulders of Machine Learning: Can We Improve Hypothesis Testing?
借助机器学习能否改进假设检验？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：通用分类检验框架本身不足以确定领域，但摘要明确以单位根检验这一时间序列问题进行方法展示。
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
借助机器学习能否改进假设检验？
- 研究问题
- 能否将假设检验改写为分类问题，联合利用多个统计量与其他信息，并按第一类和第二类错误的相对成本调整检验决策？
- 方法与思路
- 作者用提升决策树桩刻画单个统计量的大小与功效权衡，再用随机森林和梯度提升模型联合映射多个统计量，以单位根模拟展示方法。
- 材料陈述的贡献
- 摘要称，在一定条件下分类与检验存在等价关系；所设单位根模拟中，总体准确率提高十七个百分点，敏感度提高三十六个百分点。
- 阅读关注点
- 应核对等价结论的条件、训练模拟与真实应用的分布匹配、检验大小校准，以及准确率和敏感度改善是否伴随第一类错误变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列等价条件及完整模拟设计，准确率提高不能直接等同于固定检验大小下功效提高。
原文摘要
In this paper we have updated the hypothesis testing framework by drawing upon modern computational power and classification models from machine learning. We show that a simple classification algorithm such as a boosted decision stump can be used to fully recover the full size-power trade-off for any single test statistic. This recovery implies an equivalence, under certain conditions, between the basic building block of modern machine learning and hypothesis testing. Second, we show that more complex algorithms such as the random forest and gradient boosted machine can serve as mapping functions in place of the traditional null distribution. This allows for multiple test statistics and other information to be evaluated simultaneously and thus form a pseudo-composite hypothesis test. Moreover, we show how practitioners can make explicit the relative costs of Type I and Type II errors to contextualize the test into a specific decision framework. To illustrate this approach we revisit the case of testing for unit roots, a difficult problem in time series econometrics for which existing tests are known to exhibit low power. Using a simulation framework common to the literature we show that this approach can improve upon overall accuracy of the traditional unit root test(s) by seventeen percentage points, and the sensitivity by thirty six percentage points.