Components of Pearson's Phi-Squared Distance Measure for the k-Sample Problem
k 样本问题中 Pearson φ² 距离度量的分量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：摘要研究一般多样本分布相同性检验，未讨论经济变量的分布效应，因此不足以归入微观分布方向。
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
k 样本问题中 Pearson φ² 距离度量的分量
- 研究问题
- 如何通过总体间距离的分解检验多个连续总体是否具有相同分布，并揭示经典参数与非参数检验之间的联系？
- 方法与思路
- 作者推广 Pearson 的经典距离度量，对多个总体的拟合优度距离作类似方差分析的正交分解，以分量估计构造检验。
- 材料陈述的贡献
- 摘要称若干经典检验可写成分量估计的二次函数，并由该框架导出兼具参数与非参数方法特点的新检验类别。
- 阅读关注点
- 核对距离与正交分量的定义、各分量捕捉的分布差异，以及新检验的零假设分布、校准方式和适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明具体检验形式、功效或样本条件，不能据此认定新检验更有效。
原文摘要
Abstract A general approach to the k-sample problem for continuous random variables, based on a generalization of Pearson's classical φ2 measure, is presented. Tests are developed by considering an analysis of variance type of orthogonal decomposition of a distance measure for a k-population goodness-to-fit hypothesis. Estimates of some of these components are shown to provide test statistics for the hypothesis that the k-populations have a common distribution. Several classical parametric and nonparametric tests are found to be quadratic functions of these component estimates. In addition, a new class of test statistic is derived that possesses aspects of both parametric and nonparametric methods.