数学 > 统计理论
[提交于 2008年3月14日
]
标题: 强相关性下高级批判法的性质
标题: Properties of higher criticism under strong dependence
摘要: 利用稀疏且微弱信息的信号检测问题与当代许多统计问题密切相关,包括错误发现率的控制以及使用超高维数据的分类。 每个问题都可以通过执行大量的假设检验来解决,在独立性假设下可以轻松评估这些检验的性质。 本文我们讨论了在信号检测的更高批评方法背景下依赖数据的情况。 短程依赖对性能没有一阶影响,但在强依赖情况下情况会发生巨大变化。 在那里,尽管更高批评仍然可以表现良好,但可以使用基于信号值差异或数据最大值的方法来改进它。 在这种情况下更高批评相对较低的表现可以通过以下事实来解释:在强依赖下,更高批评统计量的行为就好像数据被划分为非常大的块,除了每块的一个代表之外的所有数据都被从数据集中消除了一样。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.