Pearson’s chi-squared statistics: approximation theory and beyond
Pearson 卡方统计量：近似理论及其扩展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：摘要属于通用高维检验近似理论与拟合优度方法，没有所列应用或模型细分的充分证据。
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 卡方统计量：近似理论及其扩展
- 研究问题
- 当分类单元数量很大时，如何刻画 Pearson 卡方统计量的分布近似，并改进检验水平准确性与统计功效？
- 方法与思路
- 作者以随机向量二次型的高维中心极限定理建立近似理论，提出修改后的卡方统计量及调整自由度，并进行模拟比较。
- 材料陈述的贡献
- 摘要称建立涉及维度、样本量和矩条件的近似理论；模拟中修改统计量在水平准确性与功效方面优于原统计量。
- 阅读关注点
- 应核对 Lyapunov 型条件中维度与样本量的关系、稀疏单元的处理、自由度调整方式，以及模拟比较的备择与校准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断修改检验在所有稀疏表或增长维度下是否有效；模拟优越性的范围与数值未说明。
原文摘要
Summary We establish an approximation theory for Pearson’s chi-squared statistics in situations where the number of cells is large, by using a high-dimensional central limit theorem for quadratic forms of random vectors. Our high-dimensional central limit theorem is proved under Lyapunov-type conditions that involve a delicate interplay between the dimension, the sample size, and the moment conditions. We propose a modified chi-squared statistic and introduce an adjusted degrees of freedom. A simulation study shows that the modified statistic outperforms Pearson’s chi-squared statistic in terms of both size accuracy and power. Our procedure is applied to the construction of a goodness-of-fit test for Rutherford’s alpha-particle data.