論文の概要: The Debiased Score Test: Hunt-and-test for Semiparametric Hypotheses

• arxiv url: http://arxiv.org/abs/2607.28861v1
• Date: Thu, 30 Jul 2026 22:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.492762
• Title: The Debiased Score Test: Hunt-and-test for Semiparametric Hypotheses
• Title（参考訳）: Debiased Score Test:半パラメトリック仮説のハント・アンド・テスト
• Abstract要約: パラメトリックスコアテストは、期待値がnullの下で消えるログライクリフンの微分を通じて仮説を評価する。 これにより、一般的な半パラメトリック回帰モデルに対する好適なテストが得られる。 探索方向が真のスコアと相関するたびに、テストのパワーを示す。
• 参考スコア（独自算出の注目度）: 1.7969777786551424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The parametric score test assesses a hypothesis through derivatives of the log-likelihood, whose expectation vanishes under the null. When the parameter of interest is a regression function identified as a risk minimiser, we extend this idea to test whether it belongs to a given linear function class. This yields goodness-of-fit tests for common semiparametric regression models, including generalised additive and partially linear models. Suitably formulated, the framework also detects effect modifiers in observational studies. We propose a hunt-and-test strategy that splits the data into two: on one part, after fitting the null model, machine learning is used to identify a promising direction in the empirical scores; on the other, we test whether the score vanishes in that direction. To account for error in estimating the null model, we apply a debiasing correction based on a weighted least squares projection. We establish Type I error control under relatively mild conditions and show the test has power whenever the hunted direction is correlated with the true score. Simulations and real-data examples demonstrate favourable performance, including identifying effect modifiers in an HIV clinical trial and assessing an additive model for insurance claims. The methodology is implemented in the R package dScoreTest.
• Abstract（参考訳）: パラメトリックスコアテストは、期待値がnullの下で消えるログライクリフンの微分を通じて仮説を評価する。 利子パラメータがリスク最小化として同定された回帰関数である場合、このアイデアは与えられた線形関数クラスに属するかどうかをテストするために拡張される。 これにより、一般化された加法モデルや部分線型モデルを含む、一般的な半パラメトリック回帰モデルの適合性テストが得られる。 適切に定式化され、このフレームワークは観測研究における効果修飾体も検出する。 本研究では,データを2つに分割するハント・アンド・テスト戦略を提案する。一方は,Nullモデルを適用した上で,機械学習を用いて経験的スコアの有望な方向を識別し,他方は,その方向でスコアが消滅するかどうかを検証する。 ヌルモデルを推定する際の誤差を考慮し、重み付き最小二乗射影に基づく偏り補正を適用する。 比較的穏やかな条件下でI型エラー制御を確立し, 追尾方向が真のスコアと相関している場合, テストのパワーを示す。 シミュレーションと実データ例は、HIV臨床試験における効果修飾薬の同定や、保険請求に対する付加的モデルの評価など、良好なパフォーマンスを示している。 この方法論はRパッケージdScoreTestで実装されている。

関連論文リスト

• Goodness-of-Fit Tests and Calibration Machine-Learning Algorithms for Logistic Regression with Sparse Data [0.0]
  この論文は、グループ化データとスパースデータの両方の下で、バイナリロジスティック回帰のための古典的なGOFテストを研究する。 これらのテストの多くは、実際のデータセットの複雑さに晒されると、有効な結論を出すことができません。
  論文  参考訳（メタデータ） (2026-08-11T17:00:50Z)
• When prompt perturbations break your A/B test: A valid statistical test for generative surveying [0.3366038232188622]
  そこで本研究では,手話検定やウィルコクソン署名ランク検定を含む標準仮説検定が,生成的サーベイの統計モデルの下では無効であることを示す。 本稿では,本モデルで有効な置換テストを提案し,標準テストが失敗する条件を正式に特徴付ける。
  論文  参考訳（メタデータ） (2026-05-26T00:35:58Z)
• A Theoretical Framework for Statistical Evaluability of Generative Models [57.9316356505791]
  本稿では、生成モデルを評価するための理論的枠組みを導入し、一般的なメトリクスに対する評価結果を確立する。 テストベースのメトリクス、例えば積分確率測定(IPM)とレニイ発散(Rényi divergences)の2つのカテゴリについて検討する。 任意の有界テストクラスに対するIPMは、乗法および加法近似誤差まで有限標本から評価できることを示す。 対照的に、レニイとKLの発散は、希少事象によってその値が批判的に決定されるため、有限標本から評価できない。
  論文  参考訳（メタデータ） (2026-04-07T01:53:59Z)
• Pre-validation Revisited [79.92204034170092]
  シミュレーションと応用による予測,推測,誤差推定における事前検証の特性と利点を示す。 そこで本研究では, あるモデル下での事前検証予測のためのテスト統計量の解析的分布だけでなく, 推論を行うための一般的なブートストラップ手順も提案する。
  論文  参考訳（メタデータ） (2025-05-21T00:20:14Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling [82.36856860383291]
  我々は,標準深部ReLUニューラルネットワークをトレーニングすることにより,スコア関数の正確な推定が可能であることを実証した。 スコアマッチングに基づく因果発見手法を用いて因果関係の回復の誤差率の限界を確立する。
  論文  参考訳（メタデータ） (2023-10-27T13:09:56Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Learning to Increase the Power of Conditional Randomization Tests [8.883733362171032]
  モデル-X条件ランダム化テストは、条件独立性テストのための一般的なフレームワークである。 本稿では,モデルXテストのパワー向上を目的とした新しいモデル適合方式を提案する。
  論文  参考訳（メタデータ） (2022-07-03T12:29:25Z)
• Diagnostic Tool for Out-of-Sample Model Evaluation [12.44615656370048]
  モデルの将来, サンプル外損失を特徴付けるための有限キャリブレーションデータセットについて検討する。 弱い仮定の下で有限サンプル保証を提供するシンプルなモデル診断ツールを提案する。
  論文  参考訳（メタデータ） (2022-06-22T11:13:18Z)
• Significance tests of feature relevance for a blackbox learner [6.72450543613463]
  ブラックボックス学習者の特徴関連性に関する2つの一貫した試験を導出する。 第1は、推論サンプルの摂動による損失差を評価する。 2つ目は推論サンプルを2つに分割するが、データの摂動は必要ない。
  論文  参考訳（メタデータ） (2021-03-02T00:59:19Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Achieving Equalized Odds by Resampling Sensitive Attributes [13.114114427206678]
  等価性の概念をほぼ満足する予測モデルを学習するためのフレキシブルなフレームワークを提案する。 この微分可能な関数は、モデルパラメータを等化奇数に向けて駆動するペナルティとして使用される。 本研究は,予測規則が本性質に反するか否かを検出するための公式な仮説テストを開発する。
  論文  参考訳（メタデータ） (2020-06-08T00:18:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。