A Large Sample Sequential Test, Using Concomitant Information, for Discrimination between Two Composite Hypotheses
利用伴随信息区分两个复合假设的大样本序贯检验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：摘要讨论二元正态设定下的通用序贯检验，未明确因果识别或其他所列领域的专门问题，因此不作细分归类。
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
利用伴随信息区分两个复合假设的大样本序贯检验
- 研究问题
- 在比较两种处理的序贯试验中，如何利用同时测得的伴随变量信息，减少检验所需的平均样本量？
- 方法与思路
- 作者假定处理间的响应差与伴随观测差服从二元正态分布，构造渐近有效的序贯检验，并用蒙特卡洛实验考察表现。
- 材料陈述的贡献
- 摘要称，伴随变量与响应的相关性较高时，协变量信息可明显减少平均样本量，并给出了相应缩减关系。
- 阅读关注点
- 应核对两个复合假设的具体定义、停止规则及渐近有效性条件，并查阅原PDF确认样本量缩减因子的数学排版。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；缩减因子的上标可能丢失，需查原PDF，有限样本误差控制也未说明。
原文摘要
The problem studied is that of utilizing measured concomitant information in sequential trials for the comparison of two treatments. The analysis is based on the treatment 1 minus treatment 2 response difference y = y 1 — y 2 and the corresponding concomitant observation difference x = x 1 — x 2, where x and y are assumed to be distributed bivariate normally. A simple asymptotically valid test procedure and its performance in Monte Carlo experiments are described. It is shown that appreciable covariance economy may be expected when ρ, the correlation coefficient between the (x, y) values, is high since average sample numbers are reduced by the factor (1 — ρ2) from those obtained in the absence of covariance.