Estimating Exact p Values by the Method of Control Variates or Monte Carlo Rescue
通过控制变量法估计精确 p 值：蒙特卡洛救援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：摘要聚焦一般非参数检验的蒙特卡洛计算与方差缩减，没有指定经济或金融细分领域的直接文本依据。
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…
通过控制变量法估计精确 p 值：蒙特卡洛救援
- 研究问题
- 当精确非参数检验计算规模过大、渐近近似又不可靠时，如何降低蒙特卡洛 p 值估计对随机数序列的敏感性？
- 方法与思路
- 作者提出控制变量蒙特卡洛方案，用很窄的置信区间限制模拟误差，并在列联表、两样本生存及分层列联表检验中示范。
- 材料陈述的贡献
- 摘要称所提方案可将达到目标精度所需的模拟样本数降低两至三个数量级，使估计在三位小数上基本不受随机序列影响。
- 阅读关注点
- 阅读时应核对控制变量的选择、置信区间覆盖保证、停止准则，以及样本数节省对应的检验类型与比较条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；计算节省的适用范围未展开，“基本不变”限于指定精度，不等于获得精确 p 值。
原文摘要
Despite algorithmic advances in exact nonparametric inference, problems often occur that are too large for exact p value computations but too sparse for reliable asymptotic results. In these situations Monte Carlo methods are a good compromise. They bound the true p value within a confidence interval. But a factor discouraging the use of Monte Carlo p values is their sensitivity to the random number sequence. One can overcome this drawback by computing a 99% C.I. confidence interval of width less than .0001. Then the estimated p values become insensitive to the random number sequence up to three decimals. For all practical purposes, these estimates are invariant to random number sequences. The usual Monte Carlo method requires millions of samples to yield such an invariant estimate. The Monte Carlo scheme presented here decreases the sample size by two to three orders of magnitude. We illustrate this method with tests for r × c tables, two-sample survival data, and stratified 2 × 2 tables.