Asymptotic optimality of data-driven Neyman's tests for uniformity
数据驱动 Neyman 均匀性检验的渐近最优性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：摘要研究通用均匀性检验的渐近效率与自适应选择，缺少所列计量细分方向的直接证据。
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
数据驱动 Neyman 均匀性检验的渐近最优性
- 研究问题
- 结合平滑检验与数据驱动选择的均匀性检验，在趋近零假设的备择序列下具有怎样的效率，能否体现对数据的自适应性？
- 方法与思路
- 作者将 Neyman 平滑均匀性检验与 Schwarz 选择程序结合，研究所得检验相对于 Neyman–Pearson 检验的渐近中间效率。
- 材料陈述的贡献
- 摘要称在一大类收敛备择下相对渐近中间效率为一，并据此强调检验的综合检验性质与自适应性；具体备择类别未列出。
- 阅读关注点
- 应核对平滑检验的基函数、选择程序与允许维度，明确中间效率的定义及收敛备择条件，并辨别渐近效率与有限样本功效。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；备择类别及技术条件未说明，效率为一不能解释为对所有备择均具有有限样本最优性。
原文摘要
Data-driven Neyman's tests resulting from a combination of eyman' smooth tests for uniformity and Schwarz's selection procedure are nvestigated. Asymptotic intermediate efficiency of those tests with respect to the Neyman-Pearson test is shown to be 1 for a large set of converging alternatives. The result shows that data-driven Neyman's tests, contrary to classical goodness-of-it tests, are indeed omnibus tests adapting well to the data at hand.