A Large Sample Sequential Test, Using Concomitant Information, for Discrimination Between Two Composite Hypotheses
利用伴随信息区分两个复合假设的大样本序贯检验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：摘要研究处理比较中的序贯统计检验，但未明确提供因果识别设计的依据。
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…
关注这篇论文的作者
利用伴随信息区分两个复合假设的大样本序贯检验
- 研究问题
- 在比较两种处理的序贯试验中，如何利用伴随观测与响应之间的相关性，在维持检验有效性的同时减少平均样本数？
- 方法与思路
- 作者以两种处理的响应差和伴随观测差为基础，假设二者联合服从二元正态分布，构造渐近有效的检验并开展模拟。
- 材料陈述的贡献
- 摘要称，提出的检验具有渐近有效性，且伴随信息与响应高度相关时可明显减少平均样本数，并以蒙特卡洛实验说明。
- 阅读关注点
- 应核对复合假设、停止规则、误差概率控制及联合正态假设；样本数缩减因子的指数排版应查阅原PDF确认。
- 阅读边界
- 所给索引摘要未注明版本，未说明随机分配或因果识别；缩减因子的数学排版不清，不能据此重构公式或计算节省比例。
原文摘要
The problem studied is that of utilizing measured concomitant information in sequential trials for the comparison of two treatments. The analysis is based on the treatment 1 minus treatment 2 response difference y = y 1 — y 2 and the corresponding concomitant observation difference x = x 1 — x 2, where x and y are assumed to be distributed bivariate normally. A simple asymptotically valid test procedure and its performance in Monte Carlo experiments are described. It is shown that appreciable covariance economy may be expected when ρ, the correlation coefficient between the (x, y) values, is high since average sample numbers are reduced by the factor (1 — ρ2) from those obtained in the absence of covariance.