An algorithm to compute the power of Monte Carlo tests with guaranteed precision
保证精度的蒙特卡洛检验功效计算算法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：摘要研究通用模拟检验的功效计算与精度保证，没有指向特定经济计量细分领域。
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
保证精度的蒙特卡洛检验功效计算算法
- 研究问题
- 对自助法或置换法等蒙特卡洛检验，如何计算检验功效，并保证其置信区间达到预先指定的长度与覆盖概率？
- 方法与思路
- 作者提出计算工作量不固定的算法，持续运行直到能够构造满足用户长度与覆盖要求的保守置信区间，并分析预期计算量。
- 材料陈述的贡献
- 摘要称该方法适用于几乎任意蒙特卡洛检验，且在若干常见p值分布情形下预期计算量有限，并报告已有R包实现。
- 阅读关注点
- 应核对区间覆盖保证如何处理检验自身的模拟误差、停止规则如何构造，以及有限预期计算量结论对p值分布的要求。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，无法验证首创性或运行成本；摘要提及的软件实现与当前可用性未经核验。
原文摘要
This article presents an algorithm that generates a conservative confidence interval of a specified length and coverage probability for the power of a Monte Carlo test (such as a bootstrap or permutation test). It is the first method that achieves this aim for almost any Monte Carlo test. Previous research has focused on obtaining as accurate a result as possible for a fixed computational effort, without providing a guaranteed precision in the above sense. The algorithm we propose does not have a fixed effort and runs until a confidence interval with a user-specified length and coverage probability can be constructed. We show that the expected effort required by the algorithm is finite in most cases of practical interest, including situations where the distribution of the $p$-value is absolutely continuous or discrete with finite support. The algorithm is implemented in the R-package simctest, available on CRAN.