Testing hypotheses with binary data subject to misclassification errors: Analysis and experimental design
存在误分类的二元数据假设检验：分析与试验设计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：摘要研究二元误分类检验与成本设计，未明确给出因果识别或离散选择行为模型。
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
存在误分类的二元数据假设检验：分析与试验设计
- 研究问题
- 当二元结果的误分类概率依赖真实结果，并可随分层或配对变化时，检验效率和单位成本如何影响最优试验设计？
- 方法与思路
- 作者推导两二项总体、分层总体及配对比较的渐近相对效率，以相对效率除以每次观测预期成本作为设计准则。
- 材料陈述的贡献
- 摘要称在所述准则下，混合不同试验不能成为最优设计，并讨论若干应对结果依赖误分类的实验策略。
- 阅读关注点
- 应核对误分类概率是否已知、各比较情形的效率基准、成本模型，以及排除混合试验最优性的证明范围。
- 阅读边界
- 仅据版本未注明的索引摘要；误分类参数处理及成本约束未说明，不能将不混合的最优性推广到其他目标或设计限制。
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.