A large deviation theorem for the q-sample likelihood ratio statistic
多样本似然比统计量的大偏差定理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：摘要属于似然比与检验大偏差的通用理论，未提供所列应用方向的直接依据。
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
多样本似然比统计量的大偏差定理
- 研究问题
- 从多个总体抽样时，如何控制对数似然比统计量的尾部概率，并利用这种控制研究特定假设检验的渐近最优性？
- 方法与思路
- 作者针对多个总体样本的对数似然比尾概率推导上界，再将该概率估计用于指数分布相关假设的检验分析。
- 材料陈述的贡献
- 摘要称获得了多样本似然比统计量的尾概率上界，并据此建立一个针对指数分布假设的统计量的 Hodges–Lehmann 最优性。
- 阅读关注点
- 应核对样本与参数空间条件、尾概率上界的具体形式和适用范围，以及指数分布假设和所用最优性准则的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；尾界条件及具体检验假设未提供，不能推广至任意分布，也不能将该最优性等同于全面优势。
原文摘要
An upper bound for the tail probability $P_{\theta} (\log (L(x_{(n_1, \dots, n_q)}, \Theta)/L(x_{(n_1, \dots, n_q)}, \theta)) \geq t)$ is derived in the case of sampling from q populations. This estimate is used for establishing the Hodges-Lehmann optimality of a test statistic for a hypothesis on exponential distributions.