On Asymptotic Optimality of Likelihood Ratio Tests for Multivariate Normal Distributions
多元正态分布似然比检验的渐近最优性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：摘要研究多元正态似然比检验的一般渐近理论，未指向所列具体计量方向。
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
多元正态分布似然比检验的渐近最优性
- 研究问题
- 在多元正态分析中，对于零假设下可由独立贝塔变量乘积表示的似然比准则，能否建立精确斜率意义下的渐近最优性？
- 方法与思路
- 作者利用一类似然比准则在零假设下的贝塔乘积结构，研究其经过对数与样本量标准化后的统计量序列。
- 材料陈述的贡献
- 摘要称这类统计量序列在精确斜率意义下渐近最优，并给出精确斜率的显式形式；其最优性对应特定评价标准。
- 阅读关注点
- 应核对贝塔乘积表示覆盖哪些检验、精确斜率的定义、备择与参数条件，以及显式表达如何支持渐近最优性。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要，无法确认全部适用条件；精确斜率最优性不代表有限样本功效全面占优。
原文摘要
In multivariate analysis under normality assumptions, many likelihood ratio criteria $(\lambda^{(n)})$ are distributed as $k\prod^m_{i=1} Z^a_{li}(1 - Z_{li})^{b_i}\prod^{m'}_{j=1} Z^{c_j}_{2j}$ for some constants, $k, m, m', a_i, b_i,$ and $c_j$ when their associated null hypotheses are true, where $Z_{ij}$ are independently distributed beta variates. Let $T^{(n)} = -n^{-1} \ln \lambda^{(n)}$. This paper shows that a sequence $\{T^{(n)}\}$ of this kind is asymptotically optimal in the sense of exact slopes. Explicit forms of the exact slopes are obtained.