摘要
用于测试响应的条件独立性(CI)Y(Y)和预测器X(X)给定协变量Z轴模型X(MX)框架一直是活跃的方法学研究的主题,特别是在MX仿冒品及其在全基因组关联研究中的应用背景下。在本文中,我们研究了MX CI测试的威力,对机器学习的作用产生了定量的见解,并为在实践中使用基于相似性的统计数据提供了证据。聚焦于条件随机化检验(CRT),我们发现它的条件推理模式允许我们将其重新定义为测试涉及以下条件分布的点零假设X(X)Neyman-Pearson引理意味着基于相似性的统计可以产生针对点替代的最强大的CRT。我们获得了MX仿制品的相关优化结果。切换到具有任意增长协变量维数的渐近框架,我们根据机器学习算法的预测误差导出了CRT对局部半参数备选方案的功率表达式,而CRT的测试统计是基于机器学习算法。最后,我们给出了一个具有一致渐近I型误差控制的无重采样检验,假设X(X)鉴于Z轴已知。
资金筹措表
EK部分得到了NSF DMS-2113072的支持。
致谢
我们感谢阿萨夫·温斯坦(Asaf Weinstein)、蒂莫西·巴里(Timothy Barry)和斯蒂芬·贝茨(Stephen Bates)对手稿早期版本的详细评论,也感谢埃德·肯尼迪(Ed Kennedy)和拉里·瓦瑟曼(Larry Wasserman)对因果推理关系的讨论。我们还感谢两位匿名审稿人的建设性反馈,这些反馈极大地帮助我们改进了手稿。
引用
下载引文
尤金·卡塞维奇(Eugene Katsevich)。
阿迪蒂亚·拉姆达斯。
“关于模型X下条件独立性测试的威力。”
电子。J.统计。
16
(2)
6348 - 6394,
2022
https://doi.org/10.1214/22-EJS2085
问询处
接收日期:2021年7月1日;发布日期:2022年
欧几里德项目首次提供:2022年12月5日
数字对象标识符:10.1214/22-EJS2085
学科:
主要用户:62G10型,6220国集团
次要:62J07型
关键词:条件独立性测试,条件推理,X型,内曼·皮尔逊,功率分析