STATISTICAL TESTS FOR LARGE TREE-STRUCTURED DATA.
STATISTICAL TESTS FOR LARGE TREE-STRUCTURED DATA.
复制标题
DOI：
10.1080/01621459.2016.1240081
复制
发表时间：
2017
影响因子：
3.7
通讯作者：
中科院分区：
文献类型：
--
作者：
我们开发了一个通用的统计框架，用于大型树结构数据的分析和推断，重点是开发渐近拟合优度检验。首先，我们提出了一个一致的统计模型的二叉树，我们开发了一类不变的测试。使用二叉树的模型，然后，我们构建测试一般的树，通过使用连续随机树的分布特性，这是作为不变的限制条件的高尔顿-沃森过程的基础上的树结构数据的广泛的一类模型。拟合优度检验的检验统计量计算简单，并且渐近分布为χ2和F随机变量。我们说明了我们的方法上的一个重要的应用程序检测肿瘤的异质性在脑癌。我们使用一种新的方法与基于树的表示的磁共振图像，并采用开发的测试，以确定两组患者之间的肿瘤异质性。
We develop a general statistical framework for the analysis and inference of large tree-structured data, with a focus on developing asymptotic goodness-of-fit tests. We first propose a consistent statistical model for binary trees, from which we develop a class of invariant tests. Using the model for binary trees, we then construct tests for general trees by using the distributional properties of the Continuum Random Tree, which arises as the invariant limit for a broad class of models for tree-structured data based on conditioned Galton–Watson processes. The test statistics for the goodness-of-fit tests are simple to compute and are asymptotically distributed as χ2 and F random variables. We illustrate our methods on an important application of detecting tumour heterogeneity in brain cancer. We use a novel approach with tree-based representations of magnetic resonance images and employ the developed tests to ascertain tumor heterogeneity between two groups of patients.
登录
查看更多内容
影响因子：
2.3
作者：
ALDOUS, D
通讯作者：
ALDOUS, D
影响因子：
2.2
作者：
Azzalini, Adelchi;Torelli, Nicola
通讯作者：
Torelli, Nicola
影响因子：
2.3
作者：
ALDOUS, D
通讯作者：
ALDOUS, D
影响因子：
1.8
作者：
Aydin, Burcu;Pataki, Gabor;Marron, J. S.
通讯作者：
Marron, J. S.
DOI：
10.1016/0010-4809(89)90039-6
发表时间：
1989-10-01
期刊：
COMPUTERS AND BIOMEDICAL RESEARCH
影响因子：
--
作者：
LE, SY;NUSSINOV, R;MAIZEL, JV
通讯作者：
MAIZEL, JV