論文の概要: Non-normal Limits and Joint Calibration of Cross-fitted Heterogeneity Tests
- arxiv url: http://arxiv.org/abs/2611.15333v1
- Date: Wed, 11 Nov 2026 11:11:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.11015
- Title: Non-normal Limits and Joint Calibration of Cross-fitted Heterogeneity Tests
- Title(参考訳): クロスフィット不均一試験の非正規限界と共同校正
- Abstract要約: クロスフィッティングは、ランダム化実験で学んだランキングが、治療の恩恵を受けるユニットと、そうでないユニットを区別するかどうかをテストするために使用される。
この依存は、その分散だけでなく、ヌル分布の形状を変えることが示される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-fitting is used to test whether a ranking learned in a randomized experiment separates units that benefit from treatment from those that do not: each fold is ranked by a model fitted to the other folds, and the standardized difference in estimated effects between units ranked high and low is compared with a normal distribution. Under the null hypothesis of no heterogeneity the ranking is determined by noise, and because each fold helps to rank the others the fold estimates are dependent. We show that this dependence changes the shape of the null distribution, not just its variance. For least squares on one covariate the limit is bimodal for two folds and skewed for many, no variance correction restores the level, and the model is a counterexample to a published central limit theorem. With many covariates the limit approaches normality, but its variance stays inflated. Removing the non-normal component of the statistic removes its power, so we keep the statistic and change its reference distribution: joint calibration simulates together the moments that choose the rankings and those that evaluate them and applies the same selection to the draws; it has asymptotically exact level and requires no refitting. Applications to clinical and marketing trials, together with random treatment reassignments on their covariates, demonstrate that the standard test substantially inflates Type I error and can produce spurious rejections that joint calibration avoids.
- Abstract(参考訳): ランダム化実験で学習したランキングが、治療の恩恵を受ける単位と、他のフォルダに適合するモデルによって各フォルダがランク付けされ、上位と下位のユニット間の推定効果の標準化された差が正規分布と比較されるかどうかをテストするために、クロスフィッティングが使用される。
不均一性のない零仮説の下では、ランク付けはノイズによって決定され、各折りたたみは他をランク付けするのに役立ち、折りたたみ推定は依存する。
この依存は、その分散だけでなく、ヌル分布の形状を変えることが示される。
1つの共変量上の少なくとも2乗は2つの折りたたみに対して双モジュラーであり、多くの場合はスキュートであり、分散補正はレベルを復元せず、モデルは公表された中心極限定理の反例である。
多くの共変量を持つ極限は正規性に近づくが、その分散は膨らみ続ける。
統計の非正規成分の除去は、そのパワーを除去するので、統計を保ち、基準分布を変化させる: 関節校正は、ランクと評価するモーメントをシミュレートし、ドローに同じ選択を施す。
臨床およびマーケティングの臨床試験への応用は、その共変量に対するランダムな治療再割り当てとともに、標準試験がI型エラーを著しく膨らませ、共同校正が避ける急激な拒絶を引き起こすことを実証している。
関連論文リスト
- The Statistical Geometry of Latent Recovery in Hidden Markov Models [85.82801263693659]
我々は, 排ガス分離を考慮した潜伏回復のための収束率の特徴付けを行う。
我々の主な貢献は、ヘルリンガー誤差を適合密度と真密度に変換する決定論的逆不等式を潜時回復誤差の有界に変換することである。
論文 参考訳(メタデータ) (2026-10-31T06:19:55Z) - Two-Sample Testing via Generative Processes [60.42943145582429]
生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。
2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。
したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
論文 参考訳(メタデータ) (2026-10-06T12:48:27Z) - Sharp training-conditional coverage for conformal prediction under covariate shift [0.0]
重み付き分割共形予測リウェイト 度合による校正スコア
キャリブレーションデータに基づくカバレッジ条件について検討する。
2点下界は、ルートmレートとカイ二乗寄与がシフトに固有のものであることを示している。
論文 参考訳(メタデータ) (2026-09-27T11:08:32Z) - Tail-Weight Control and Localized Generalization in Nearly Low-Rank Adversarial Classification [8.110061989547228]
実験的なランプ取り付けは、人口が最適に無視しても純粋ノイズの特徴に重みを割り当てることができる。
このギャップをガウス信号と雑音によるノルム制約付き逆数分類の定量化を行う。
論文 参考訳(メタデータ) (2026-09-20T15:00:02Z) - Bounded Difference Concentration for Infinitely Exchangeable Sequences with Applications to AI Benchmark Uncertainty [9.998078491879145]
無限交換可能な確率変数の関数の濃度特性を考察する。
サブサンプル平均と全集団平均との差のようなゼロサム線形コントラストでは、潜時混合項は正確にキャンセルされる。
このキャンセルは、最近の有限交換可能な濃度結果の無限伸縮限界に対して直接デ・フィネッティ機構を提供する、厳密で混合のないホーフディング型境界を与える。
論文 参考訳(メタデータ) (2026-06-16T02:19:01Z) - Kernel Tests of Equivalence [4.522687626425495]
既存の等価性テストはパラメトリック分布に限定されるか、完全な分布ではなく特定の瞬間のみに焦点を当てる。
Emph kernel Stein discrepancy と emphMaximum Mean Discrepancy の2つのカーネルに基づく統計的相違を用いてこれらの制限に対処する。
提案した試験の無効仮説は、これらの相違によって測定される少なくとも定義済みのマージンによって、候補分布が名目分布と異なると仮定する。
論文 参考訳(メタデータ) (2026-03-11T15:30:57Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳(メタデータ) (2025-02-14T22:37:11Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳(メタデータ) (2024-10-17T16:42:12Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳(メタデータ) (2020-06-23T07:18:05Z)
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。