Large Values for the Number of Groups with the Pearson Chi-Squared Goodness-of-Fit Tes
Pearson卡方拟合优度检验中的大量分组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：摘要讨论一般拟合优度检验的分组与检验水平，没有所列经济、宏观或金融细分方向的直接依据。
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
Pearson卡方拟合优度检验中的大量分组
- 研究问题
- 在Pearson卡方拟合优度检验中，使用大量等概率分组是否不合适，尤其当组数超过样本量时，检验水平是否必然膨胀？
- 方法与思路
- 作者提供数据，重新考察已有文献关于大量等概率分组的两项判断；摘要未说明数据如何生成、检验如何校准或比较如何开展。
- 材料陈述的贡献
- 摘要称，所提供的数据质疑大量等概率分组不宜使用的判断，并反驳组数超过样本量就导致检验水平膨胀的说法。
- 阅读关注点
- 应核对分组数与样本量的组合、原假设分布、临界值计算，以及结论是针对特定配置的反例还是更广泛的经验规律。
- 阅读边界
- 所给材料为OpenAlex索引摘要，稿件版本未注明；具体数据与校准方式未提供，不能由摘要反推大量分组在所有情形下都可靠。
原文摘要
Dahiya (1971) offered evidence against using a large number of equally likely groups with the Pearson chi-squared goodness-of-fit test, and indicated that when the number of groups exceeds the sample size the assumed level of the test is inflated. This paper provides data which question the former statement and disprove the latter.