Considerations in Measuring Partial Association for Ordinal Categorical Data
有序分类数据偏关联度量的若干考量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：摘要研究有序变量的关联度量，未涉及离散选择行为模型或因果识别，故不强行分类。
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…
关注这篇论文的作者
有序分类数据偏关联度量的若干考量
- 研究问题
- 控制其他有序分类变量后，哪些偏关联度量更接近潜在联合连续分布的条件关联，分类测量细化又如何影响其性质？
- 方法与思路
- 作者按与潜在连续条件关联的接近程度比较常用指标，研究控制层内 Kendall τ-b 的加权平均及其渐近分布。
- 材料陈述的贡献
- 摘要称在该评价标准下，加权平均优于偏 gamma 和 Kendall 偏 tau，并推导特定加权指标的渐近分布及测量细化时的变化。
- 阅读关注点
- 应核对潜在连续分布的设定、对应条件关联的定义与权重选择，以及类别细化如何影响均值和渐近方差。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未核对全文或版本差异。所述优劣依赖特定标准，偏关联也不能直接解释为因果效应。
原文摘要
Some of the measures commonly used to describe association between two ordinal categorical variables, controlling for the effects of other ordinal categorical variables, are compared in their closeness to a corresponding conditional measure for an underlying jointly continuous distribution. Partial gamma and Kendall's partial tau are observed to be poorer than a weighted average of the Kendall's τ b 's from separate control levels, according to this criterion. The asymptotic sampling distribution of a particular weighted average measure is derived, and the behavior of the mean and asymptotic variance of such a measure is analyzed as the categorical variables are more finely measured.