Testing Hypotheses with Binary Data Subject to Misclassification Errors: Analysis and Experimental Design
误分类二元数据的假设检验、分析与实验设计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：二元数据在此用于总体比较与误分类检验，摘要未涉及离散选择行为模型或因果效应识别。
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
误分类二元数据的假设检验、分析与实验设计
- 研究问题
- 当二元结果存在依赖真实结果的误分类，且误分类概率可因分层或配对而异时，如何评价检验效率并选择成本有效的设计？
- 方法与思路
- 作者分别推导两个二项总体比较、分层总体比较和配对比较的渐近相对效率，并结合每次观测的预期成本构造设计准则。
- 材料陈述的贡献
- 摘要称，最优设计准则为渐近相对效率与预期观测成本之比；在该准则下，不同实验的混合设计不会最优。
- 阅读关注点
- 应核对误分类概率是否已知或需要估计、效率比较的基准，以及排除混合设计最优性的成本结构与设计约束。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误分类概率的获取方式和设计条件未说明，不能将混合设计结论推广到所有实验。
原文摘要
SUMMARY Consider a binary random variable having outcomes subject to misclassification errors where the probabilities of misclassification errors depend on outcome. The asymptotic relative efficiencies are derived for comparing two binomial populations, comparing stratified binomial populations and for paired comparisons. The probabilities of misclassification can vary with strata or be different for each pair. The criterion for optimum experimental designs is shown to be the ratio of the asymptotic relative efficiency to expected cost per observation. This criterion implies that mixtures of different experiments can never be optimal. A number of experimental strategies is discussed.