A Stochastic Minimum Distance Test for Multivariate Parametric Models
多元参数模型的随机最小距离检验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：摘要研究通用多元参数分布的拟合优度检验，未提供所列应用细分领域的直接依据。
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
多元参数模型的随机最小距离检验
- 研究问题
- 如何将多元参数模型中计算困难的最小距离拟合优度检验转化为可数值实施的程序，同时保留一阶渐近表现？
- 方法与思路
- 作者以欧氏空间概率分布的半空间度量定义距离，引入人工辅助样本构造随机近似，并近似计算检验临界值。
- 材料陈述的贡献
- 摘要称，辅助样本增大时程序趋近非随机化，构造检验及临界值所用的各项近似不会损害其一阶渐近表现。
- 阅读关注点
- 应核对半空间距离的计算方式、辅助样本规模与原样本量的关系，以及随机近似和临界值校准所需的条件。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；一阶渐近表现不等于有限样本误差可忽略，具体功效、计算量与辅助样本选择未说明。
原文摘要
Stochastic procedures are randomized statistical procedures which are functions of the observed sample and of one or more artificially constructed auxiliary samples. As the size of the auxiliary samples increases, a stochastic procedure becomes nearly nonrandomized. The stochastic test of this paper arises as a numerically feasible approximation to a natural minimum distance goodness-of-fit test for multivariate parametric models. The distance being minimized here is the half-space metric for probabilities on a Euclidean space. It is shown that the various approximations used in constructing the stochastic test and its critical values do not detract from its first-order asymptotic performance.