On Asymptotic Power and Efficiency of Tests of Independence in Contingency Tables with Ordered Classifications
有序分类列联表独立性检验的渐近功效与效率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：摘要讨论有序列联表的关联检验，未涉及离散选择行为建模或其他所列细分主题。
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
有序分类列联表独立性检验的渐近功效与效率
- 研究问题
- 对于行列类别均有序的列联表，不同独立性检验在局部关联备择下的渐近功效如何，模型外备择会怎样影响效率比较？
- 方法与思路
- 作者推导简单关联模型下的渐近功效公式，比较得分相关检验、含并列秩的 Spearman 检验与有序对数线性模型似然比检验。
- 材料陈述的贡献
- 摘要称，功效与相对效率推导允许局部备择不属于似然比检验所假定的模型，并提供真实及虚构数据的计算示例。
- 阅读关注点
- 应核对有序类别的得分安排、局部备择的形式与缩放、模型内外效率比较的条件，以及示例计算如何体现这些差异。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出功效公式、备择参数或比较数值，不能确定哪项检验通常更优。
原文摘要
Asymptotic power formulas for tests of independence against simple association models in I × J contingency tables with ordered categories are presented. Yates's score correlation test and Spearman's tied rank correlation test are compared with a likelihood ratio test proposed by S. J. Haberman for testing independence in log-linear models with ordered classifications. Asymptotic power and relative efficiencies are derived under local alternatives that need not be included in the likelihood model assumed by Haberman's procedure. Some computations for real and fictitious data are presented.