A Jackknifed Chi-Squared Test for Complex Samples
复杂抽样下的刀切法卡方检验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：摘要研究复杂抽样和列联表检验的一般方法，未涉及因果、面板或其他所列领域的明确问题。
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
复杂抽样下的刀切法卡方检验
- 研究问题
- 复杂抽样设计使常规Pearson和似然比卡方检验失效时，如何调整列联表检验统计量，以检验拟合优度或比较嵌套模型？
- 方法与思路
- 作者通过刀切法调整卡方统计量，并将思路扩展到能一致估计样本估计量协方差矩阵的自助法或重复半样本等复制方法。
- 材料陈述的贡献
- 摘要称描述了两类调整后统计量的极限分布，其用途包括模型拟合优度检验与嵌套模型比较，并给出复制估计的适用框架。
- 阅读关注点
- 应核对复制单位与抽样设计如何匹配、协方差估计的一致性要求，以及调整后统计量的构造和极限分布形式。
- 阅读边界
- 摘要未列出具体设计条件、自由度或有限样本表现；来源为版本未注明的OpenAlex索引摘要，不能推断刊本变化。
原文摘要
Complex sample designs typically invalidate the direct application of the familiar Pearson or likelihood-ratio chi-squared statistics for testing the fit of a model to a cross-classified table of counts. This article discusses the adjustment of these statistics through a jackknifing approach. The technique may generally be applied whenever a standard replication method, such as the jackknife, bootstrap, or repeated half-samples, provides a consistent estimate of the covariance matrix of the sample estimates. Properties of the limiting distribution of new test statistics, Xj and GJ , are described. The new statistics may be used to test goodness of fit and to compare nested models.