Combining One-Sided Binomial Tests
单侧二项检验的合并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：摘要是独立二项检验合并方法的一般比较，未提供所列计量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
单侧二项检验的合并
- 研究问题
- 当多个独立二项检验需要合并时，不同合并统计量在典型显著性水平、渐近效率及零分布近似方面如何比较？
- 方法与思路
- 作者比较六种合并方法，包括最小显著性水平、Fisher 检验、似然比及其近似、Mantel–Haenszel 和另一加总统计量。
- 材料陈述的贡献
- 摘要称 Fisher 与似然比总体表现较好，其他方法对共同偏离、稀疏偏离及标准误差异有不同敏感性。
- 阅读关注点
- 应核对单侧备择的构造、各方法的权重、效率比较的基准，以及不同备择下显著性水平和零分布近似的表现。
- 阅读边界
- 所给 OpenAlex 摘要稿件版本未注明；比较依赖独立二项检验，未提供参数范围、数值结果或相关检验下的结论。
原文摘要
Six methods of combining k independent binomial test statistics are compared with respect to their median significance levels, asymptotic relative efficiencies, and accuracy of null distribution approximations. The test statistics considered are the minimum significance level, Fisher's omnibus test, the likelihood ratio, an approximate likelihood ratio, the Mantel-Haenszel statistic, and the sum of chis. Fisher's test and the likelihood ratio perform relatively well for all alternative hypotheses. The Mantel—Haenszel procedure performs well when departures from the null hypotheses are similar for all tests. The minimum is sensitive to the situation in which most of the parameters assume the null value. The sum-of-chis procedure tends to assign too much weight to individual binomial statistics with large standard errors, whereas the approximate likelihood ratio assigns too much weight to statistics with small standard errors.