Plausibility Functions and Exact Frequentist Inference
可信性函数与精确频率学派推断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：摘要提出通用频率学派推断框架，没有可支持指定微观、宏观或金融细分的具体研究对象。
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
可信性函数与精确频率学派推断
- 研究问题
- 如何构造在有限样本中精确控制错误率的检验和置信区域，减少对大样本近似的依赖，并处理含干扰参数的问题？
- 方法与思路
- 作者以可信性函数为基础建立频率学派推断框架，构造检验及置信区域，并给出涉及干扰参数问题的扩展和示例。
- 材料陈述的贡献
- 摘要称所构造程序在有限样本中具有所要求的频率学派性质，无需大样本论证；示例显示方法在多类问题中兼具精确性与效率。
- 阅读关注点
- 应核对可信性函数的构造、精确错误率的含义及所需条件，尤其查看干扰参数扩展是否改变覆盖率、功效或计算要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；有效性条件和效率衡量未说明，不能将一般框架理解为对任意模型均自动精确。
原文摘要
In the frequentist program, inferential methods with exact control on error rates are a primary focus. The standard approach, however, is to rely on asymptotic approximations, which may not be suitable. This article presents a general framework for the construction of exact frequentist procedures based on plausibility functions. It is shown that the plausibility function-based tests and confidence regions have the desired frequentist properties in finite samples—no large-sample justification needed. An extension of the proposed method is also given for problems involving nuisance parameters. Examples demonstrate that the plausibility function-based method is both exact and efficient in a wide variety of problems.