A Robust Method for Testing Transformations to Achieve Approximate Normality
检验近似正态化变换的稳健方法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：摘要讨论一般线性模型中的正态化变换检验，未明确涉及所列微观、宏观或金融方向。
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
检验近似正态化变换的稳健方法
- 研究问题
- 在线性模型中通过幂变换获得近似正态性时，能否构造一种兼顾推断稳健性与检验功效的替代方法？
- 方法与思路
- 作者提出替代似然方法与显著性方法的幂变换检验，并通过理论分析和Monte Carlo实验比较稳健性与功效。
- 材料陈述的贡献
- 摘要称，新方法比似然方法更稳健，比显著性方法功效更高，但相对后者可能略欠稳健，呈现明确的性能权衡。
- 阅读关注点
- 应核对稳健性所针对的偏离类型、检验统计量与校准方式，以及模拟设计、功效比较是否控制相同显著性水平。
- 阅读边界
- 仅据所给Crossref摘要，未说明方法构造、实验条件或差异大小；作者报告的优势不能扩展为所有模型下的优越性。
原文摘要
Summary We propose a competitor to likelihood and significance methods for power transformations to achieve approximate normality in a linear model. The new method is shown in theory and a Monte Carlo experiment to produce more robust inferences than the likelihood method and more powerful (although possibly slightly less robust) inferences than the significance method.