Importance Sampling for Estimating Exact Probabilities in Permutational Inference
用于估计置换推断精确概率的重要性抽样AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的网络是列联表抽样算法，研究核心为通用置换计算，不构成网络与干扰等细分领域的证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于估计置换推断精确概率的重要性抽样
- 研究问题
- 在两样本检验的置换推断中，如何更有效地估计精确显著性水平，降低常规 Monte Carlo 抽样所得 p 值估计的方差？
- 方法与思路
- 作者从固定边际的列联表参考集合中抽样，通过网络算法提高对方差降低更重要的表的抽取概率，以实施重要性抽样。
- 材料陈述的贡献
- 摘要称该技术适用于多类秩检验和列联表检验，在展示情形中较常规抽样显著提高效率，并以四个真实数据集说明。
- 阅读关注点
- 应核对重要性分布、加权估计方式和方差计算，以及参考集合的构造、网络算法成本和效率比较采用的具体指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；估计精确检验概率仍有 Monte Carlo 误差，所述效率增益不能视为普遍保证。
原文摘要
This article discusses importance sampling as an alternative to conventional Monte Carlo sampling for estimating exact significance levels in a broad class of two-sample tests, including all of the linear rank tests (with or without censoring), homogeneity tests based on the chi-squared, hypergeometric, and likelihood ratio statistics, the Mantel—Haenszel trend test, and Zelen's test for a common odds ratio in several 2 × 2 contingency tables. Inference is based on randomly selecting 2 × k contingency tables from a reference set of all such tables with fixed marginals. Through a network algorithm, the tables are selected in proportion to their importance for reducing the variance of the estimated Monte Carlo p-value. Spectacular gains, up to four orders of magnitude, are achieved relative to conventional Monte Carlo sampling. The technique is illustrated on four real data sets.