用于线性相关显著性检验的预测性数据校准
统计方法学
2022-08-16 v1 机器学习
机器学习
摘要
推断线性关系处于许多实证调查的核心。线性依赖的度量应正确评估关系强度并判定其对总体是否有意义。Pearson 相关系数（PCC）作为二元关系的实际标准度量，已知在两方面均存在不足。估计强度 r 可能因有限样本量和非正态数据而出错。在统计显著性检验中，将 p 值误释为后验概率会导致第一类错误——这是显著性检验的普遍问题，也延伸至 PCC。当同时检验多个假设时，此类错误会加剧。为解决这些问题，我们提出一种基于机器学习的预测性数据校准方法，其本质上以期望的线性关系为条件对数据样本进行条件化。使用校准数据计算 PCC 可得到校准的 p 值（可解释为后验概率）以及校准的 r 估计，这是其他方法未提供的期望结果。此外，随之而来的每次检验的独立解释可能消除多重检验校正的必要。我们通过若干模拟及对真实世界数据的应用提供了支持所提方法的经验证据。
引用
@article{arxiv.2208.07081,
title = {Predictive Data Calibration for Linear Correlation Significance Testing},
author = {Kaustubh R. Patil and Simon B. Eickhoff and Robert Langner},
journal= {arXiv preprint arXiv:2208.07081},
year = {2022}
}