Large values for the number of groups with the Pearson chi-squared goodness-of-fit tes
Pearson 卡方拟合优度检验中的大量分组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：摘要讨论通用拟合优度检验的分组问题，未明确对应所列经济细分。
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
Pearson 卡方拟合优度检验中的大量分组
- 研究问题
- Pearson 卡方拟合优度检验采用很多等概率分组时是否不宜使用，尤其分组数超过样本量是否必然导致检验水平膨胀？
- 方法与思路
- 作者提供数据检视既有关于大量等概率分组的主张，分别讨论分组数量的使用建议与分组数超过样本量时的水平问题。
- 材料陈述的贡献
- 摘要称，所提供数据对不宜使用大量等概率分组的说法提出质疑，并反驳分组数超过样本量就会导致检验水平膨胀的断言。
- 阅读关注点
- 应核对数据如何生成、样本量与分组数组合、临界值计算方法，以及这些证据能够反驳的命题范围和检验水平定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未提供数据、数值或实验范围，不能据此认定任意大量分组都具有正确检验水平。
原文摘要
Dahiya (1971) offered evidence against using a large number of equally likely groups with the Pearson chi-squared goodness-of-fit test, and indicated that when the number of groups exceeds the sample size the assumed level of the test is inflated. This paper provides data which question the former statement and disprove the latter.