任意维度下针对相依研究的统计推断的强右偏策略

我们利用相依研究全局假设检验中重尾近似的最新进展,在无需建模或估计相依结构的情况下构建近似置信域。非拒绝区域即为置信域,但其未必是凸的。凸性具有吸引力,因为它能保证区域的任意一维线性投影都是一个置信区间,易于计算和解释。我们说明了为何对于近年来提出的几乎所有重尾组合检验(包括具有重要影响的 Cauchy 组合检验),凸性均会失效。这些洞察启发了一种\textit{强右偏}(heavily right)策略:截断 Cauchy 分布的左半部分以得到半 Cauchy 组合检验。调和均值检验同样对应于一种具有 Cauchy 类尾部的强右偏分布,即幂指数为 1 的 Pareto 分布。我们证明,当各研究由 Hotelling $T^2$ 或 $\chi^{2}$ 统计量进行概括时(无论该概括是否有效),两种方法均能保证凸性,并提供了高效的\textit{精确}算法用于实现。应用这些方法,我们开发了一种任意维度下均值估计的"分治-组合"策略,并在网络荟萃分析中构建了用于跨多项临床试验比较处理效应的同时置信区间。我们还提出了许多开放性问题,并以认识论层面的反思作为结尾。