Components of X 2 for Testing Distributional Assumptions Against Certain Restricted Alternatives
针对受限备择检验分布假设的 Pearson 卡方分量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：摘要讨论一般拟合检验中的偏斜和厚尾，未涉及金融风险度量或经济分布效应，故不选应用细分。
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
针对受限备择检验分布假设的 Pearson 卡方分量
- 研究问题
- 当假定正态的数据可能出现偏斜或厚尾时，如何利用反映这些偏离方向的受限备择，选择更有针对性的卡方检验分量？
- 方法与思路
- 作者建立以偏斜和尾部厚度为依据的偏序备择分布族，并提出针对这些备择具有最小最大意义最优性的 Pearson 卡方分量。
- 材料陈述的贡献
- 摘要称给出了针对特定受限备择的最优卡方分量并讨论其性质，同时简要比较其他方法，为定向检验分布偏离提供思路。
- 阅读关注点
- 应核对偏序分布族的定义、最小最大准则与约束、卡方分量如何构造，以及针对偏斜和厚尾的检验范围有何区别。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性所需条件及功效结果未给出，不能推广到任意分布或尾部风险问题。
原文摘要
Motivated by the problems of detecting skewness and heavy tails in hypothetically normally distributed data, partially ordered families of alternative distributions are developed, the orderings being chosen to reflect skewness and tail weight. Optimal components of Pearson's X2, optimal in a minimax sense for detecting alternatives of this kind, are presented and their properties are discussed. Alternative approaches to the problem are also briefly discussed.