Graph-based multisample comparison with application to feature selection for multi-category responses
基于图的多样本比较及多类别响应的特征选择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：摘要研究一般多样本分布检验与特征选择，未涉及分布处理效应、经济网络干扰或明确的金融风险计量。
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…
基于图的多样本比较及多类别响应的特征选择
- 研究问题
- 如何比较多个多变量样本的分布，识别造成分布异质性的变量，并提高对仅少数差异存在的稀疏备择的检出能力？
- 方法与思路
- 作者合并样本构造距离相似图，计算观测连接各样本的概率，再对连接概率差异的平方进行样本内外双重最大化。
- 材料陈述的贡献
- 摘要称，MPD 检验可有效检测稀疏备择，给出渐近零假设分布与一致性；模拟比较部分多样本检验，并用于信用评级特征选择。
- 阅读关注点
- 应核对相似图构建、连接概率估计和双重最大化的定义，以及零假设分布的条件、特征选择规则和多重检验处理。
- 阅读边界
- 仅据所给 RePEc 出版社摘要解读；图构建细节、理论条件及比较数值未说明，相似图本身不足以支持经济网络或因果解释。
原文摘要
This article proposes a graph-based maximum pairwise difference (MPD) test to compare K-sample distributions. This test can be utilized to identify the most informative variables contributing to the heterogeneity of multiple multivariate distributions. To construct the test, we first pool observations from multiple samples to create a similarity graph based on the distances between any two observations. For each observation, we next evaluate its connection probability to each sample. Then, we doubly maximize the squared differences of these connection probabilities via the within and between samples. Accordingly, the MPD test is a max-of-squares test and can effectively detect sparse alternatives. In addition, we show the asymptotic null distribution of the test statistic and establish its consistency under alternatives. To illustrate the finite sample performance of the proposed test, we conduct extensive simulation studies. The results indicate that the MPD test outperforms some commonly used multisample tests. Finally, we employ it to select relevant features related to corporate credit ratings.