拟合优度的核检验
机器学习
2016-09-28 v4
摘要
我们提出一种用于拟合优度的非参数统计检验：给定一组样本，该检验确定这些样本由目标密度函数生成的可能性。拟合优度的度量是利用再生核希尔伯特空间中的函数通过Stein方法构造的散度。我们的检验统计量基于该散度的经验估计，采用关于目标密度的对数梯度与核的V统计量形式。我们推导了一种统计检验，适用于i.i.d.和非i.i.d.样本，其中使用wild bootstrap过程估计零分布分位数。我们将该检验应用于量化近似马尔可夫链蒙特卡洛方法的收敛性、统计模型批评，以及评估非参数密度估计中拟合优度与模型复杂度的权衡。
引用
@article{arxiv.1602.02964,
title = {A Kernel Test of Goodness of Fit},
author = {Kacper Chwialkowski and Heiko Strathmann and Arthur Gretton},
journal= {arXiv preprint arXiv:1602.02964},
year = {2016}
}
备注
14 pages, 9 figures