Measures of Association for Cross Classifications, IV: Simplification of Asymptotic Variances
交叉分类的关联度量（四）：渐近方差的简化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：交叉分类关联度量及其方差属于一般统计问题，摘要未说明离散选择模型或其他所列细分应用。
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
交叉分类的关联度量（四）：渐近方差的简化
- 研究问题
- 交叉分类关联度量的渐近方差推导往往繁复，能否利用这些度量的共同表达结构，简化并统一计算过程？
- 方法与思路
- 作者利用关联度量可写成比值的形式，重新组织渐近方差推导，并讨论这些方差的使用及计算中可能出现的陷阱。
- 材料陈述的贡献
- 摘要称该方法简化并统一了既有关联度量的渐近方差推导，同时补充了关于方差应用和计算错误的讨论。
- 阅读关注点
- 应核对覆盖哪些关联度量、比值表达如何用于方差推导，以及所指出的计算陷阱和渐近近似的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体度量、方差公式和计算陷阱未列出，不能判断所有交叉分类情形是否适用。
原文摘要
The asymptotic sampling theory discussed in our 1963 article [3] for measures of association presented in earlier articles [1, 2] turns on the derivation of asymptotic variances that may be complex and tedious in specific cases. In the present article, we simplify and unify these derivations by exploiting the expression of measures of association as ratios. Comments on the use of asymptotic variances, and on a trap in their calculation, are also given.