On δ -Equivalence With the Best in k -Sample Models
k 样本模型中与最佳者的 δ 等效性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：摘要讨论一般 k 样本均值的多重检验与选择，未提供足以对应所列经济计量细分的证据。
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…
关注这篇论文的作者
k 样本模型中与最佳者的 δ 等效性
- 研究问题
- 给定正阈值 δ，如何从 k 个治疗均值中判断哪些与最佳者等效，并使多重检验、选择决策及置信区间相互协调？
- 方法与思路
- 作者将选择问题改写为多重检验问题，运用闭合原则与分割原则构造逐步下降、逐步上升程序，并提出置信区间投影方法。
- 材料陈述的贡献
- 摘要称新逐步下降程序统一改进现有程序，并给出与逐步检验及选择程序兼容的置信区间构造方法。
- 阅读关注点
- 应核对等效性与最佳者的定义、错误概率控制方式、统一改进所采用的比较标准，以及投影区间如何与选择结果兼容。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出分布条件、改进指标或适用程序范围，不能将结论推广至任意多重检验。
原文摘要
In recent work we introduced a general, a weak, and a strong partitioning principles for the construction of multiple decision procedures as multiple testing or selection procedures. Partitioning principles can be viewed as natural extensions of the closure principle and sometimes yield more powerful decision procedures. In this article we consider the problem of establishing equivalence with the best with respect to k treatment means, where equivalence is defined in terms of a threshold value δ > 0. We reformulate the original selection problem as a multiple testing problem and develop various step-down and step-up procedures by applying the closure principle and partitioning principles. The new step-down procedure is shown to provide a uniform improvement over procedures currently in use. Moreover, we propose some projection methods that yield confidence intervals being compatible with stepwise tests and selection procedures.