Small Samples in Contingency Tables
列联表的小样本分析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：摘要聚焦一般列联表与对数线性模型推断，未明确涉及离散选择或其他所列经济计量方向。
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
列联表的小样本分析
- 研究问题
- 在层级对数线性模型下，如何改善列联表参数条件推断中常用的渐近方法，特别是小样本或无法精确枚举的情形？
- 方法与思路
- 作者讨论三条路径：改进单元频数矩的近似、枚举固定边际总数下的全部表获得精确分布，以及用模拟随机抽样替代枚举。
- 材料陈述的贡献
- 摘要提出改善列联表条件推断的三种方法，并将模拟抽样作为精确枚举不可行时的处理路径，未报告改善幅度。
- 阅读关注点
- 阅读全文时应核对条件化的边际统计量、矩近似方式、枚举算法及其规模限制，以及模拟抽样的目标分布和误差控制。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未提供算法细节、数值结果或抽样保证，不能判断三种方法在具体表中的优劣。
原文摘要
The analysis of some contingency tables is based on hierarchical log linear models. Inferences about sets of parameters can then be made from conditional distributions. We discuss three ways of improving the asymptotic methods generally used in practice. They comprise (i) better approximations to moments of cell frequencies than those derived from the iterative scaling procedure, (ii) exact distributions obtained by enumerating all tables consistent with given marginal totals, and (iii) simulated random sampling for tables where exact enumeration is impossible.