Bio-equivalence tests in functional data by maximum deviation
基于最大偏差的函数型数据生物等效性检验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：摘要研究函数参数的等效性检验，缺少分布效应或其他所列领域的直接依据。
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…
关注这篇论文的作者
基于最大偏差的函数型数据生物等效性检验
- 研究问题
- 在两样本函数型数据中，如何对均值函数或方差函数的等效性作整体检验，并减少逐点检验带来的保守性？
- 方法与思路
- 作者以两函数参数间的最大偏差度量等效性，结合预设阈值构造检验，并用 bootstrap 估计统计量分布的分位数。
- 材料陈述的贡献
- 摘要称建立检验的大样本一致性，并因避免交并检验原则而较现有方法更不保守、具有更高检验功效。
- 阅读关注点
- 应核对等效性原假设、阈值设定、临界值与决策规则，以及 bootstrap 有效性和功效比较所需条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能判断阈值的实质合理性或所有场景下的功效优势，具体检验规则需查阅全文。
原文摘要
Summary We study the problem of testing equivalence of functional parameters, such as the mean or the variance function, in the two-sample functional data setting. In contrast to previous work where the functional problem is reduced to a multiple testing problem for the equivalence of scalar data by comparing the functions at each point, our approach is based on an estimate of a distance measuring the maximum deviation between the two functional parameters. Equivalence is claimed if the estimate for the maximum deviation does not exceed a given threshold. We propose a bootstrap procedure for obtaining quantiles of the distribution of the test statistic, and we prove consistency of the corresponding test in the large-sample scenario. As the methods proposed here avoid the use of the intersection-union principle, they are less conservative and more powerful than currently available approaches.