Machine Learning for Two-Sample Testing under Right-Censored Data: A Simulation Study

要約

この研究の焦点は、右打ち切り観察による 2 サンプル テストに対する機械学習 (ML) 手法の有効性を評価することです。
これを達成するために、さまざまなアーキテクチャを備えたいくつかの ML ベースのメソッドを開発し、それらを 2 サンプル テストとして実装します。
各メソッドは、古典的な 2 サンプル テストからの予測を組み合わせたアンサンブル (スタッキング) です。
この論文では、提案された ML 手法のトレーニング結果を示し、古典的な 2 サンプル検定と比較してその統計的検出力を検証し、帰無仮説が真である場合の提案された手法の検定統計量の分布を分析し、ML 手法に組み込まれた特徴の重要性を評価します。
提案された方法。
数値実験の結果はすべて、スミルノフ変換 (逆変換サンプリング) を使用して生成され、モンテカルロ シミュレーションを通じて複数回複製された合成データセットから得られました。
右打ち観測による 2 サンプル問題をテストするには、提案された 2 サンプル法を使用できます。
必要なすべての資料 (ソース コード、サンプル スクリプト、データセット、サンプル) は、GitHub および Hugging Face で入手できます。

要約(オリジナル)

The focus of this study is to evaluate the effectiveness of Machine Learning (ML) methods for two-sample testing with right-censored observations. To achieve this, we develop several ML-based methods with varying architectures and implement them as two-sample tests. Each method is an ensemble (stacking) that combines predictions from classical two-sample tests. This paper presents the results of training the proposed ML methods, examines their statistical power compared to classical two-sample tests, analyzes the distribution of test statistics for the proposed methods when the null hypothesis is true, and evaluates the significance of the features incorporated into the proposed methods. All results from numerical experiments were obtained from a synthetic dataset generated using the Smirnov transform (Inverse Transform Sampling) and replicated multiple times through Monte Carlo simulation. To test the two-sample problem with right-censored observations, one can use the proposed two-sample methods. All necessary materials (source code, example scripts, dataset, and samples) are available on GitHub and Hugging Face.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google