使用生成式神经网络进行条件均值独立性检验

条件均值独立性 (CMI) 检验对于模型确定和变量重要性评估等统计任务至关重要。本文引入了一种新型 population CMI 测度和基于深度生成式神经网络的 bootstrap 检验程序，用于估计 population 测度中涉及的条件均值函数。检验统计量经过仔细构建，以确保即使存在缓慢衰减的非参数估计误差，也不会影响检验的渐近准确性。我们的方法在高维协变量和响应变量的情景下表现出强大的实证性能，能够处理多变量响应，并在超出 $n^{-1/2}$ 邻域内的备择假设下保持非平凡的检验功效。我们还通过数值模拟和真实世界影像数据应用来突显该检验程序的有效性和通用性。