Sequential Monte Carlo Methods for Statistical Analysis of Tables
表格统计分析的序贯蒙特卡洛方法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：摘要研究列联表的通用计算方法，未明确涉及离散选择、网络或其他所列领域。
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…
表格统计分析的序贯蒙特卡洛方法
- 研究问题
- 对于边际和固定的二维零一表或列联表，如何有效模拟检验统计量的原假设分布，并估计满足边际约束的表格总数？
- 方法与思路
- 作者提出序贯重要性抽样，按特定分布逐列生成表格，用所得蒙特卡洛样本近似统计量的原假设分布并估计表格数量。
- 材料陈述的贡献
- 摘要称，样本分布接近均匀分布，所展示比较中方法有时比既有算法高效数个数量级，并可方便估计固定边际表的总数。
- 阅读关注点
- 应核对逐列抽样分布、重要性权重和约束处理，查看近似均匀的评价指标、计数估计误差及运行时间比较的具体设置。
- 阅读边界
- 仅据版本未注明的索引摘要；效率优势是摘要所述比较结果，适用表格规模、边际结构和误差控制未说明，不能泛化。
原文摘要
We describe a sequential importance sampling (SIS) procedure for analyzing two-way zero–one or contingency tables with fixed marginal sums. An essential feature of the new method is that it samples the columns of the table progressively according to certain special distributions. Our method produces Monte Carlo samples that are remarkably close to the uniform distribution, enabling one to approximate closely the null distributions of various test statistics about these tables. Our method compares favorably with other existing Monte Carlo-based algorithms, and sometimes is a few orders of magnitude more efficient. In particular, compared with Markov chain Monte Carlo (MCMC)-based approaches, our importance sampling method not only is more efficient in terms of absolute running time and frees one from pondering over the mixing issue, but also provides an easy and accurate estimate of the total number of tables with fixed marginal sums, which is far more difficult for an MCMC method to achieve.