Predictor Sort Sampling, Tight T 'S, and the Analysis of Covariance
预测变量排序抽样、过度集中的 t 统计量与协方差分析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：摘要聚焦实验分组与检验功效，未明确讨论处理效应识别，细分证据不足。
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
预测变量排序抽样、过度集中的 t 统计量与协方差分析
- 研究问题
- 按与响应相关的预测变量排序并分配实验区组后，配对 t 分析在小样本、高相关情形下为何可能不适用？
- 方法与思路
- 作者研究排序分组后的配对分析，证明其渐近正确性，提出修正合并 t 方法，并与协方差分析比较。
- 材料陈述的贡献
- 摘要称，常见配对分析在特定小样本情形下存在缺陷；修正合并方法可提高功效，并指出直观功效计算可能错误。
- 阅读关注点
- 应核对排序分配怎样改变统计量分布、小样本缺陷的具体含义，以及不同分析方法的适用条件和功效计算。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明缺陷对应的误差方向或大小，也未给出各方法优势成立的完整条件。
原文摘要
In this article we revisit a method of sample allocation that has long been known to statisticians and has recently been “discovered” by wood strength researchers. The method allocates experimental units to blocks on the basis of the values of a variable, x, that is known to be correlated with the response, y We call this allocation method “predictor sort sampling.” We demonstrate that the associated paired T analysis recommended in statistical texts is deficient if the sample size is small and the correlation between x and y is high. We temper this criticism of standard statistical intuition with a proof that the approach is asymptotically correct. In a related development we show that a modified pooled T approach can be taken to this data with a resultant increase in power. We compare these approaches to an analysis of covariance approach and discuss the advantages of each. Finally, we warn against the intuitively attractive but incorrect power calculations that are likely to be performed in association with a predictor sort experiment.