Components of Pearson's Phi-Squared Distance Measure for the k -Sample Problem
用于多样本问题的 Pearson φ² 距离分量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：摘要讨论通用多样本共同分布检验，未涉及经济分布效应或所列其他应用细分。
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
用于多样本问题的 Pearson φ² 距离分量
- 研究问题
- 对来自多个总体的连续随机变量，如何把分布距离分解成可检验的分量，并据此检验各总体是否具有共同分布？
- 方法与思路
- 作者推广 Pearson 距离度量，对多总体拟合假说作类似方差分析的正交分解，并以分量估计构造共同分布检验统计量。
- 材料陈述的贡献
- 摘要称，一些经典参数和非参数检验可表示为分量估计的二次函数，同时得到兼具两类方法特点的新检验统计量。
- 阅读关注点
- 应核对距离度量与正交分量的定义、分量估计及其零假设分布，以及新统计量对哪些分布差异具有检验敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明检验校准、功效和适用条件，不能据此声称新统计量优于经典检验。
原文摘要
A general approach to the k-sample problem for continuous random variables, based on a generalization of Pearson's classical φ2 measure, is presented. Tests are developed by considering an analysis of variance type of orthogonal decomposition of a distance measure for a k-population goodness-to-fit hypothesis. Estimates of some of these components are shown to provide test statistics for the hypothesis that the k-populations have a common distribution. Several classical parametric and nonparametric tests are found to be quadratic functions of these component estimates. In addition, a new class of test statistic is derived that possesses aspects of both parametric and nonparametric methods.