Exact Inference for Contingency Tables with Ordered Categories
有序类别列联表的精确推断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：有序类别关联分析不等同于离散选择模型，且文中网络算法是计算方法，不能据此归入网络与干扰。
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…
有序类别列联表的精确推断
- 研究问题
- 样本较小时，如何在固定观测边际总数的条件下，对有序类别列联表的独立性及结构化优势比进行精确推断？
- 方法与思路
- 作者扩展网络算法计算条件分布，用于线性乘线性关联对数线性模型的单侧独立性检验和优势比置信区间。
- 材料陈述的贡献
- 摘要提出高效数值算法，将条件精确检验与模型优势比估计联系起来，并利用非零关联下的条件分布构造区间。
- 阅读关注点
- 应核对类别得分与线性乘线性结构、条件化所固定的信息，以及离散分布下单侧概率和置信区间的计算方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，版本未注明。精确性针对所述条件模型，摘要未报告复杂度、规模限制或一般类别关联适用性，不能推断刊本变化。
原文摘要
This article proposes an efficient numerical algorithm for small-sample exact inferences in contingency tables having ordinal classifications. The inferences, which apply conditional on the observed marginal totals, also provide an exact analysis for the log-linear model of linear-by-linear association for cell probabilities. An exact test of independence has a one-sided P value equal to the null probability that model-based maximum likelihood estimates of odds ratios are at least as large as the observed estimates. The conditional nonnull distribution yields confidence intervals for odds ratios having a linear-by-linear structure. The computations utilize an extension of the network algorithm proposed by Mehta and Patel (1983).