Locally asymptotically most stringent tests and Lagrangian multiplier tests of linear hypotheses
局部渐近最严检验与线性假设的拉格朗日乘子检验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：摘要涉及多维假设检验的一般理论和统计示例，没有所列经济计量领域的直接依据。
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
局部渐近最严检验与线性假设的拉格朗日乘子检验
- 研究问题
- 如何将针对一维参数的局部渐近最优检验思想推广到多维参数，并处理一般线性假设及非独立同分布观测？
- 方法与思路
- 作者引入局部渐近最严检验概念，沿用 Neyman 的思想发展多维检验理论，并以多项分布参数和生物测定问题说明。
- 材料陈述的贡献
- 摘要称将既有一维理论推广到 k 维参数，并给出观测不满足独立同分布情形下的检验，附有一般线性假设的示例。
- 阅读关注点
- 应核对最严性的定义、局部备择及渐近条件、非独立同分布情形的处理，并查明与题名中乘子检验的具体联系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要承认省略若干细节，且未说明拉格朗日乘子检验与最严检验的具体关系。
原文摘要
Neyman (1959) has defined a locally asymptotically most powerful test, called optimal asymptotic test, of composite statistical hypotheses. This test is particularly applicable when either the standard methods of testing are not available or when they are too difficult to compute. However, Neyman (1959) restricted his studies to the case of testing a one-dimensional parameter. In this paper his results are generalized to the case of testing a k-dimensional parameter. This necessitates introducing the notion of a locally asymptotically most stringent test (L.A.M.S.T.). The theory is developed in the spirit of Neyman's work, using his ideas and definitions omitting a number of details. It is illustrated by testing a general linear hypothesis involving multinomial parameters. We also give the L.A.M.S.T. when the observations are not independent identically distributed. An example from bio-assay is also given.