Testing for dependence in multivariate probit models
多变量 probit 模型中的依赖性检验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：摘要明确研究多变量 probit 模型及其独立性检验，与离散响应和离散选择方法直接相关。
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
多变量 probit 模型中的依赖性检验
- 研究问题
- 在多变量 probit 模型中，如何检验各分量的独立性，并描述检验统计量在原假设及局部备择下的极限行为？
- 方法与思路
- 作者推导检验独立性的拉格朗日乘子或得分统计量，分析其在原假设和局部备择下的极限分布，并给出应用例子。
- 材料陈述的贡献
- 摘要称，该统计量的极限分布具有简单形式，并可视为二乘二列联表 Pearson 卡方统计量向多变量 probit 模型的自然推广。
- 阅读关注点
- 应核对独立性对应的参数限制、干扰参数估计和信息矩阵，以及局部备择的设定、极限分布与例子的实际检验表现。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未给出统计量公式、正则条件或有限样本结果，简单极限分布不保证实际检验准确。
原文摘要
A multivariate probit model is considered and the Lagrange multiplier or score statistic for testing independence is derived. The limiting distribution of the statistic takes a simple form under the null hypothesis and for local alternatives. The statistic is a natural generalization of Pearson's chi-squared for a 2 × 2 table. An example is given.