通过相同吸引函数提升双样本检验功效的 DEEPEAST 技术
统计方法学
2024-08-21 v1
摘要
数据深度已成为多变量样本排序的不可忽视的非参数度量。基于深度的双样本比较的主要贡献是引入 Q 统计量（Liu and Singh, 1993），作为质量指标。与传统方法不同，数据深度无需正态分布假设，并遵循四个基本属性。许多现有的双样本同质性检验，通常用于评估分布中均值和/或尺度变化，常受低统计功效或渐近分布不确定的限制。为克服这些挑战，我们引入了 DEEPEAST（depth-explored same-attraction sample-to-sample central-outward ranking）技术，通过相同吸引函数提高双样本检验的功效。我们提出了两个新颖且高效的基于深度的检验统计量：求和检验统计量和乘积检验统计量，根植于 Q 统计量，共享“common attractor”，适用于各种深度函数。我们进一步证明了这些统计量在各种深度函数下的渐近分布。为评估功效提升，我们应用了三种深度函数：Mahalanobis 深度（Liu and Singh, 1993）、空间深度（Brown, 1958; Gower, 1974）和投影深度（Liu, 1992）。通过双样本仿真，我们证明我们的求和和乘积统计量在战略性分块置换算法下表现出优异的功效，并与文献中流行的方法相比较得体。我们的检验还通过分析来自细胞和组织样本的拉曼光谱数据得到验证，突出了在健康与癌症患者样本之间有效区分的效果。
引用
@article{arxiv.2408.11003,
title = {DEEPEAST technique to enhance power in two-sample tests via the same-attraction function},
author = {Yiting Chen and Min Gao and Wei Lin and Andrew Jirasek and Kirsty Milligan and Xiaoping Shi},
journal= {arXiv preprint arXiv:2408.11003},
year = {2024}
}