Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1009.2260v3

帮助 | 高级搜索

统计学 > 计算

arXiv:1009.2260v3 (stat)
[提交于 2010年9月12日 (v1) ,最后修订 2011年12月22日 (此版本, v3)]

标题: 计算拟合优度根均方检验的置信水平,II

标题: Computing the confidence levels for a root-mean-square test of goodness-of-fit, II

Authors:William Perkins, Mark Tygert, Rachel Ward
摘要: 本文扩展了我们之前的文章,“计算拟合优度的均方根检验的置信水平”;与之前的文章不同,本文中的模型涉及参数估计——相关检验中的原假设和备择假设都是复合假设。 我们提供了高效的黑盒算法来计算经典卡方检验变体的渐近置信水平。 在某些情况下,也可以通过蒙特卡洛模拟计算精确的置信水平。
摘要: This paper extends our earlier article, "Computing the confidence levels for a root-mean-square test of goodness-of-fit;" unlike in the earlier article, the models in the present paper involve parameter estimation -- both the null and alternative hypotheses in the associated tests are composite. We provide efficient black-box algorithms for calculating the asymptotic confidence levels of a variant on the classic chi-squared test. In some circumstances, it is also feasible to compute the exact confidence levels via Monte Carlo simulation.
评论: 14页,3图(每图含两部分),4表
主题: 计算 (stat.CO) ; 方法论 (stat.ME)
引用方式: arXiv:1009.2260 [stat.CO]
  (或者 arXiv:1009.2260v3 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.1009.2260
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Mark Tygert [查看电子邮件]
[v1] 星期日, 2010 年 9 月 12 日 19:22:10 UTC (44 KB)
[v2] 星期三, 2011 年 1 月 12 日 17:38:28 UTC (59 KB)
[v3] 星期四, 2011 年 12 月 22 日 17:37:48 UTC (65 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2010-09
切换浏览方式为:
stat
stat.ME

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号