A high dimensional nonparametric test for proportional covariance matrices
A high dimensional nonparametric test for proportional covariance matrices
复制标题
比例协方差矩阵的高维非参数检验
DOI：
10.1016/j.jmva.2021.104762
复制
发表时间：
2021-07
影响因子：
1.6
通讯作者：
He Daojiang
中科院分区：
文献类型：
--
作者：
Xu Kai;Tian Yan;He Daojiang
这项工作是关于测试两个高维协方差矩阵之间的比例。基于对经典似然比检验的改进，提出了几种适用于高维情形的比例协方差矩阵的检验方法。尽管他们的有用性，他们往往有非正常的高维多变量数据的大小或功率方面的性能不令人满意。本文提出了一种新的高维检验方法，通过对现有的基于尺度距离度量的检验统计量进行偏差校正。建议的检验是非参数的，不需要任何特定的参数分布，如正态性假设。它可以适应数据维度p大于样本大小n的情况，即“大p，小n”问题。借助现代概率论中的工具，我们研究了新提出的检验的理论性质，包括渐近正态性和功效估计。我们的经验表明，我们的建议具有良好的尺寸和功率性能的范围内的尺寸，样本量和分布与现有的同行相比。
This work is concerned with testing the proportionality between two high dimensional covariance matrices. Several tests for proportional covariance matrices, based on modifying the classical likelihood ratio test and applicable in high dimension, have been proposed in the literature. Despite their usefulness, they tend to have unsatisfactory performance for nonnormal high dimensional multivariate data in terms of size or power. This article proposes a new high dimensional test by developing a bias correction to the existing test statistic constructed based on a scaled distance measure. The suggested test is nonparametric without requiring any specific parametric distribution such as the normality assumption. It can accommodate scenarios where the data dimension p is greater than the sample size n, namely the “large p, small n” problem. With the aid of tools in modern probability theory, we study theoretical properties of the newly proposed test, which include the asymptotic normality and a power evaluation. We demonstrate empirically that our proposal has good size and power performances for a range of dimensions, sample sizes and distributions in comparison with the existing counterparts.
登录
查看更多内容
影响因子：
1.3
作者：
D. G. Nel;P. Groenewald
通讯作者：
D. G. Nel;P. Groenewald
DOI：
10.1016/j.jmva.2014.06.003
发表时间：
2014-09
期刊：
J. Multivar. Anal.
影响因子：
--
作者：
M. Srivastava;H. Yanagihara;T. Kubokawa
通讯作者：
M. Srivastava;H. Yanagihara;T. Kubokawa
DOI：
10.1016/j.csda.2014.03.014
发表时间：
2014-10
期刊：
Comput. Stat. Data Anal.
影响因子：
--
作者：
Lin Xu;Baisen Liu;Shu-rong Zheng;Shaokun Bao
通讯作者：
Lin Xu;Baisen Liu;Shu-rong Zheng;Shaokun Bao
影响因子：
3.7
作者：
Zhong, Ping-Shou;Chen, Song Xi
通讯作者：
Chen, Song Xi
DOI：
10.1016/j.jmva.2019.01.011
发表时间：
2019-05
期刊：
J. Multivar. Anal.
影响因子：
--
作者：
Koji Tsukuda;S. Matsuura
通讯作者：
Koji Tsukuda;S. Matsuura