Data-Driven Smooth Tests When the Hypothesis is Composite
复合假设下的数据驱动光滑检验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：摘要提出一般复合假设的拟合优度检验，缺少将其归入微观分布效应或其他指定应用细分的直接证据。
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…
复合假设下的数据驱动光滑检验
- 研究问题
- 拟合优度检验面对含未知参数的复合原假设时，如何选择光滑检验的分量数，以减少不当选择造成的功效损失？
- 方法与思路
- 作者将基于 Schwarz 选择规则的数据驱动光滑检验从简单原假设推广到复合假设，并开展指数性和正态性模拟。
- 材料陈述的贡献
- 摘要称在一般复合假设下，检验对几乎任意备择具有一致性，模拟中数据驱动 Neyman 检验在多种备择下表现良好。
- 阅读关注点
- 阅读时应核对分量选择规则、未知参数估计的影响、一致性结论的适用条件，以及模拟中的备择分布和比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“几乎任意备择”的技术范围未说明，模拟比较也不足以证明普遍功效优势。
原文摘要
In recent years several authors have recommended smooth tests for testing goodness of fit. However, the number of components in the smooth test statistic should be chosen well; otherwise, considerable loss of power may occur. Schwarz's selection rule provides one such good choice. Earlier results on simple null hypotheses are extended here to composite hypotheses, which tend to be of more practical interest. For general composite hypotheses, consistency of the data-driven smooth tests holds at essentially any alternative. Monte Carlo experiments on testing exponentiality and normality show that the data-driven version of Neyman's test compares well to other, even specialized, tests over a wide range of alternatives.