Improving on exact tests by approximate conditioning
通过近似条件化改进精确检验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：摘要讨论离散数据的通用条件检验理论，没有对应所列计量细分的直接文本依据。
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
通过近似条件化改进精确检验
- 研究问题
- 离散数据的精确检验可能因过度精细条件化而保守，适度放宽对干扰参数充分统计量的条件化能否改善检验表现？
- 方法与思路
- 作者提出近似条件化，讨论其精确计算所需的成本与放宽幅度选择，再构造易于计算的渐近近似以避免这些困难。
- 材料陈述的贡献
- 摘要称适度放宽条件化可减轻离散性带来的困难，并给出高度准确、易计算且无需显式指定放宽程度的渐近近似。
- 阅读关注点
- 应核对近似条件化的定义、干扰参数处理方式、近似误差与检验水平，以及作者所称高度准确适用于哪些离散模型。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差阶、有限样本水平及适用模型未说明，不能推断刊本变化或普遍功效提升。
原文摘要
The often conservative nature, for discrete data, of so-called exact tests seems usually the result of unnecessarily precise conditioning. We consider avoiding this by conditioning only approximately on the sufficient statistics for nuisance parameters. Modest relaxation of conditioning results in small loss in terms of the rationale for conditional inference, but can greatly reduce the difficulties caused by discreteness. Exact calculations of p-values based on approximate conditioning is possible, but unattractive both in terms of the amount of calculation involved and in requiring explicit specification of the extent to which conditioning is to be relaxed. It is shown that there is a highly accurate, easily computed and very natural asymptotic approximation that avoids these difficulties.