Nonparametric pragmatic hypothesis testing

Detalhes bibliográficos
Autor(a) principal: Lassance, Rodrigo Ferrari Lucas
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-18112022-174413/
Resumo: In statistical testing, a pragmatic hypothesis is an extension of a precise one, taking cases on the vicinity of the null as being equally worthy of appraisal. Unlike standard procedures, pragmatic hypotheses allow the user to evaluate more relevant assumptions and, at the same time, provide strategies to tackle Big Data responsibly, avoiding common drawbacks. However, up until now, these procedures have been applied only when a parametric family is assumed for the data. In this masters thesis, we explore pragmatic hypotheses in a nonparametric setting, which drastically reduces the number of presuppositions and provides more realistic scenarios. By expanding the theory in Coscrato et al. (2019) to a nonparametric context, we delimit the different types of precise hypotheses of interest and the respective challenges each of them presents. Then, we derive two kinds of tests for nonparametric pragmatic hypotheses: one that adheres to standard procedures and one that is agnostic (which accepts, rejects or remains undecided on a given hypothesis), both obeying the property of monotonicity. Lastly, we use the Pólya tree process for building tests in a multitude of applications, showing how sample size, confidence/credible levels and the threshold of a pragmatic hypothesis impact the decision of the test.
id USP_8cdfabda62d84957e8b1f97f240bb623
oai_identifier_str oai:teses.usp.br:tde-18112022-174413
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Nonparametric pragmatic hypothesis testingTestagem não-paramétrica de hipóteses pragmáticasAgnostic testsBayesian nonparametricsBayesiana não-paramétricaDissimilarity functionFunção de dissimilaridadeHipóteses pragmáticasPragmatic hypothesesTestes agnósticosIn statistical testing, a pragmatic hypothesis is an extension of a precise one, taking cases on the vicinity of the null as being equally worthy of appraisal. Unlike standard procedures, pragmatic hypotheses allow the user to evaluate more relevant assumptions and, at the same time, provide strategies to tackle Big Data responsibly, avoiding common drawbacks. However, up until now, these procedures have been applied only when a parametric family is assumed for the data. In this masters thesis, we explore pragmatic hypotheses in a nonparametric setting, which drastically reduces the number of presuppositions and provides more realistic scenarios. By expanding the theory in Coscrato et al. (2019) to a nonparametric context, we delimit the different types of precise hypotheses of interest and the respective challenges each of them presents. Then, we derive two kinds of tests for nonparametric pragmatic hypotheses: one that adheres to standard procedures and one that is agnostic (which accepts, rejects or remains undecided on a given hypothesis), both obeying the property of monotonicity. Lastly, we use the Pólya tree process for building tests in a multitude of applications, showing how sample size, confidence/credible levels and the threshold of a pragmatic hypothesis impact the decision of the test.Na área de testagem estatística, uma hipótese pragmática amplia uma hipótese precisa, tomando casos na vizinhança da nula como sendo tão merecedores de consideração quanto ela. Ao contrário dos métodos tradicionais, hipóteses pragmáticas permitem ao usuário avaliar suposições mais relevantes e, simultaneamente, fornecem estratégias para lidar com Big Data de forma responsável, evitando complicadores usuais. Contudo, até o presente momento, tais procedimentos só foram aplicados em casos que já supõem uma família paramétrica para os dados. Nesta dissertação de mestrado, nós exploramos hipóteses pragmáticas em um contexto não-paramétrico, o que reduz drasticamente o número de suposições e fornece cenários mais realistas. Ao expandir a teoria em Coscrato et al. (2019) para um contexto não-paramétrico, delimitamos os diferentes tipos de hipóteses precisas de interesse, assim como os respectivos desafios que cada uma delas apresenta. Daí, derivamos dois tipos de testes para hipóteses não-paramétricas: um que adere aos procedimentos usuais e um que é agnóstico (que aceita, rejeita ou mantém a indecisão a respeito de uma hipótese específica), sendo que ambos seguem a propriedade de monotonicidade. Ao final, utilizamos o processo da árvore de Pólya para construir testes em múltiplas aplicações, demonstrando como o tamanho da amostra, níveis de confiança/credibilidade e o limiar de uma hipótese pragmática impactam na decisão do teste.Biblioteca Digitais de Teses e Dissertações da USPStern, Rafael BassiLassance, Rodrigo Ferrari Lucas2022-06-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/104/104131/tde-18112022-174413/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2022-11-18T19:49:11Zoai:teses.usp.br:tde-18112022-174413Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-11-18T19:49:11Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Nonparametric pragmatic hypothesis testing
Testagem não-paramétrica de hipóteses pragmáticas
title Nonparametric pragmatic hypothesis testing
spellingShingle Nonparametric pragmatic hypothesis testing
Lassance, Rodrigo Ferrari Lucas
Agnostic tests
Bayesian nonparametrics
Bayesiana não-paramétrica
Dissimilarity function
Função de dissimilaridade
Hipóteses pragmáticas
Pragmatic hypotheses
Testes agnósticos
title_short Nonparametric pragmatic hypothesis testing
title_full Nonparametric pragmatic hypothesis testing
title_fullStr Nonparametric pragmatic hypothesis testing
title_full_unstemmed Nonparametric pragmatic hypothesis testing
title_sort Nonparametric pragmatic hypothesis testing
author Lassance, Rodrigo Ferrari Lucas
author_facet Lassance, Rodrigo Ferrari Lucas
author_role author
dc.contributor.none.fl_str_mv Stern, Rafael Bassi
dc.contributor.author.fl_str_mv Lassance, Rodrigo Ferrari Lucas
dc.subject.por.fl_str_mv Agnostic tests
Bayesian nonparametrics
Bayesiana não-paramétrica
Dissimilarity function
Função de dissimilaridade
Hipóteses pragmáticas
Pragmatic hypotheses
Testes agnósticos
topic Agnostic tests
Bayesian nonparametrics
Bayesiana não-paramétrica
Dissimilarity function
Função de dissimilaridade
Hipóteses pragmáticas
Pragmatic hypotheses
Testes agnósticos
description In statistical testing, a pragmatic hypothesis is an extension of a precise one, taking cases on the vicinity of the null as being equally worthy of appraisal. Unlike standard procedures, pragmatic hypotheses allow the user to evaluate more relevant assumptions and, at the same time, provide strategies to tackle Big Data responsibly, avoiding common drawbacks. However, up until now, these procedures have been applied only when a parametric family is assumed for the data. In this masters thesis, we explore pragmatic hypotheses in a nonparametric setting, which drastically reduces the number of presuppositions and provides more realistic scenarios. By expanding the theory in Coscrato et al. (2019) to a nonparametric context, we delimit the different types of precise hypotheses of interest and the respective challenges each of them presents. Then, we derive two kinds of tests for nonparametric pragmatic hypotheses: one that adheres to standard procedures and one that is agnostic (which accepts, rejects or remains undecided on a given hypothesis), both obeying the property of monotonicity. Lastly, we use the Pólya tree process for building tests in a multitude of applications, showing how sample size, confidence/credible levels and the threshold of a pragmatic hypothesis impact the decision of the test.
publishDate 2022
dc.date.none.fl_str_mv 2022-06-13
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/104/104131/tde-18112022-174413/
url https://www.teses.usp.br/teses/disponiveis/104/104131/tde-18112022-174413/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257118293360640