一種檢測方法有效性驗證

⑴ 問卷調查法的信度和效度如何檢驗

問卷調查法是教育研究中廣泛採用的一種調查方法，為了保證問卷具有較高的可靠性和有效性，在形成正式問卷之前，應當對問卷進行試測，並對試測結果進行信度和效度分析，根據分析結果篩選問卷題項，調整問卷架構，從而提升問卷的信度和效度。
說了這么多，我們先對一些調研小白解釋一下，什麼是信度和效度？
信度：
可靠性、一致性或穩定性。比如說，在對同一對象進行測量，多次測量結果都很接近，我們就認為這個結果是可信的，也就是信度高。如果每次測量的結果都有很大的差異，則說明信度較低。
效度：
正確性程度，效度越高表示測量結果越能顯示出所要測量對象的真正特徵。
他們兩的差別在於信度度量的是問卷測量結果是否一致的可靠程度茄檔，而不涉及結果是否正確的問題；效度則針對問卷測量的目的，重點考察測量結果的有效性。對於量表來說，效度是首要條件，而信度是效度的必要條件。也就是說有效的問卷必定是可信的問卷，但可信的問卷未必是有效的問卷。
了解了定義後，我們來聊一聊檢測調查問卷信效度的方法。
信度分析（可靠性分析）
1. 重測信度法
用同樣的問卷對同一被測間隔一定時間的重復測試，也可稱作測試——再測方法，計算兩次測試結果的相關系數。很顯然這是穩定系數，即跨時間的一致性。
重測信度法適用於事實性的問卷，也可用於不易受環境影響的態度、意見式問卷。由於重測信度需要對同一樣本試測兩次，而被測容易受到各種事件、活動的影響，所以間隔時間需要適當。較常用者為間隔二星期或一個月。
2. 復本信度法
復本信度法是讓同一組被調查者一次填答兩份問卷復本，計算兩個復本的相關系數。復本信度屬於橋陪等值系數。復本信度法要求兩個復本除表述模式不同外，在內容、格式、難度和對應題項的提問方向等方面要完全一致，而在實際調查中，很難使調查問卷達到這種要求，因此採用這種方法者較少。
3. 折半信度法
折半信度法是將調查項目分為兩半，計算兩半得分的相關系數，進而估計整個量表的信度。折半信度屬於內在一致性系數，測量的是兩半題項得分間的一致性。
這種方法一般不適用於事實式問卷，常用於態度、意見式問卷的信度分析。進行折半信度分析時，如果量表中含有反意題項，應先將反意題項的得分作逆向處理，以確保各題項得分方向的一致性，然後將全部題項按奇偶或前後分為盡可能相等的兩半，計算二者的相關系數敏納蠢，最後求出整個量表的信度系數。
4. α信度系數法
Cronbachα信度系數是目前最常用的信度系數，其公式為︰α=(n/n-1)*(1-(∑Si2)/ST2)其中，n為量表中題項的總數，Si2為第i題得分的題內方差，ST2為全部題項總得分的方差。從公式中可以看出，α系數評價的是量表中各題項得分間的一致性，屬於內在一致性系數。這種方法適用於態度、意見式問卷（量表）的信度分析。
效度分析
1. 單項與總和相關效度分析
也稱為內容效度或邏輯效度，指的是測量的內容與測量目標之間是否適合，也可以說是指測量所選擇的項目是否「看起來」符合測量的目的和要求。主要依據調查設計人員的主觀判斷。
這種方法用於測量量表的內容效度。內容效度又稱表面效度或邏輯效度，它是指所設計的題項能否代表所要測量的內容或主題。對內容效度常採用邏輯分析與統計分析相結合的方法進行評價。
2. 准則效度分析
准則效度又稱為效標效度或預測效度。准則效度分析是根據已經得到確定的某種理論，選擇一種指標或測量工具作為准則，分析問卷題項與准則的聯系，若二者相關顯著，或者問卷題項對准則的不同取值、特性表現出顯著差異，則為有效的題項。
評價准則效度的方法是相關分析或差異顯著性檢驗。在調查問卷的效度分析中，選擇一個合適的准則往往十分困難，使這種方法的應用受到一定限制。
3. 結構效度分析
結構效度是為了說明從量表所獲得的結果與設計該量表時所假定的理論之間的符合程度。研究者在設計量表時，通常會事先假定一定的量表結構（n個維度），這種結構是否與測量的數據相符合（是否確定存在上述幾個維度），需要進行驗證。
為了提升調查問卷的質量，進而提升整個研究的價值，問卷的信度和效度分析絕非贅疣蛇足，而是研究過程中必不可少的重要環節。

⑵ 第四十九條：檢查參數的有效性【方法 start】

本章要討論方法設計的幾個方面：如何處理參數和返回值，如何設計方法簽名，如何為方法編寫文檔。本章大部分內容即適用於構造器，也適用於普通方法。與第4章一樣，本章的焦點也集中在可用性、健壯性和靈活性上 。

大多數方法和構造器對於傳遞給它們的參數值都會有某些限制。例如，索引值必須說非負數，對象引用不能為null，等等，這些都是很常見的。 你應該在文檔中清楚的指明這些限制，並且在方法體的開頭處檢查參數，以強制施加這些限制 。它是 發生錯誤之後應該盡快檢測出錯誤 這一普遍原則的一種特例。如果不能做到這一點，檢測到錯誤的可能性就比較小，即使檢測到錯誤了，也比較難以確定錯誤的根源。

如果傳遞無效的參數值給方法，這個方法在執行之前先對參數進行了檢查，那麼它很快就會失敗，並且清楚的出現適當的異常（exception）。如果這個方法沒有檢查它的參數，就有可能發生幾種情形。該方法可能在處理過程中失敗，並產生令人費解的異常。更糟糕的是，該方法可以正常返回，但是會悄悄地計算出錯誤地結果。最糟糕的是，該方法可以正常返回，但是卻使得某個對象處於被破壞的狀態，將來在某個不確搏尺定的時候，在某個不相關的點上會引發出錯誤。 換句話說，沒有驗證參數的有效性，可能導致違背失敗原子性，詳見第76條 。

對於公有的和受保護的方法， 要用Javadoc的@throws標簽在文檔中說明違反參數值限制時會拋出的異常 。這樣的異常通常為 IllegalArgumentException、IndexOutOfBoundsException 或 NullPointerException (詳見第72條）。 一旦在文檔中記錄了對於方法參數的限制，並且記錄了一旦違反這些限制將要拋出的異常，加強這些限制就是非常簡單的事情了 。下面是一個典型的例子：

注意，文檔注釋中並沒有說 如果m為null就拋出NullPointerException，而是作為調用m.signum()的副產物，即使方法正是這么做的。NullPointerException這個異常的文檔是建立在外圍BigInteger類的類級文檔注釋上中。 類級注釋運用到該類的所有公有方法中的所有參數。這樣可以很好的避免分別在每個方法中給每個NullPointerException建立文檔而引起的混亂。它可以結合@Nullable或者類似的註解一起使用，表示某個特殊的參數可以為null ，不過這個實踐不是標準的，有多個註解可以完成這個作用 。

在Java7中增加的Objects.requireNonNull方法比較靈活且方便，因此不必再手工進行null檢查 。只要你願意，還可以指定自己的異常詳情。這個方法會返回其輸入，因此可以使用一個值的同時執行null檢查：

也可以忽略返回值，並在必要的地方，用Objects.requireNonNull作為獨立的沒基null檢查。

在Java9中增加了檢查范圍的設施：java.util.Objects。這個設施包含三個方法：checkFromIndexSize、checkFromToIndex 和 checkIndex。這個設施不想檢查null的方法那麼靈活。他不允許指定自己的異常詳情，而是專門設計用於列表和數組索引的。它不處理關閉的范圍（包含其兩個端點）。但是如果它所做的正是你需要的，那麼就是一個有用的工具。

對於未被導出的方法，作為包的創建者，你可以控制這個方法將在哪些情況下被調用，因基察高此你可以，也應該確保只將有效的參數值傳遞進來。因此， 非公有的方法通常應該使用斷言（assertion）來檢查它們的參數 ，具體做法如下所示：

從本質上講，這些斷言是在聲稱被斷言的條件將會為真，無聊外圍包的客戶端如何使用它。不同於一般的有效性檢查，斷言如果失敗，將會拋出AssertionError。不同於一般的有效性檢查，如果它們沒有起到作用，本質上也不會有成本開銷，除非通過將-ea（或者 -enableassertions）標記傳遞給Java解釋器，來啟用它們。關於斷言的更多消息，請參考Sun的教程。

對於有些參數，方法本身沒有用到，卻被保存起來供以後使用，檢驗這類參數的有效性尤為重要。比如，以第20條中的靜態工廠方法為例，它的參數為一個int數組，並返回該數組的List試圖。如果這個方法的客戶端要傳遞null，該方法將會拋出一個NullPointerException，因為該方法包含一個顯示的條件檢查（調用Objects.requireNonNull）。如果省略了這個條件檢查，它就會返回一個指向新建List實例的引用，一旦客戶端企圖使用這個引用，立即就會拋出NullPointerException。到那時，想要找到List實例的來源可能就非常困難了，從而使得調式工作更加復雜。

如前所述，有些參數被方法保存起來供以後使用，構造器正是代表了這一種原則的一種特例。檢查構造器參數的有效性是非常重要的，這樣可以避免構造出來的對象違反了這個類的約束條件。

在方法執行它的計算任務之前，應該先檢查它的參數，這一規則也有例外，一個很重要的例外是， 在某些情況下，或者根本是不切實際的，而且有效性檢查已隱含在計算過程中完成 。例如，以為對象列表排序的方法Collections.sort(List)為例，列表中的所有對象都必須是可以相互比較的。在為列表排序的過程中，列表中的每個對象將與其他某個對象進行比較。如果這些對象不能相互比較，其中的某個比較操作就會拋出ClassException，這正是sort方法應該做的事情。因此，提前檢查列表中的元素是否可以相互比較，這並沒有多大意義。然而，請注意，不加選擇的使用這種方法將會導致失去失敗原子性，詳見第76條。

有時候， 某些計算會隱式的執行必要的有效檢查，但是如果檢查不成功，就會拋出錯誤的異常。換句話說，由於無效的參數值而導致計算過程拋出的異常，與文檔中標明這個方法將拋出的異常並不相符。在這種情況下，應該使用第73條中講述的異常轉換技術，將計算過程中拋出的異常轉換為正確的異常 。

請不要有本條目的內容得出這樣的結論：對參數的任何限制都是好事。相反，在設計方法時，應該使它們盡可能通用，並符合實際需要。 假如方法對於它能接受的所有參數值都能夠完成合理的工作，對參數的限制就應該是越少越好 。然而，通常情況下，有些限制對於被實現的抽象來說是固有的。

簡而言之，每當編寫方法或者構造器的時候，應該考慮它的參數有哪些限制。應該把這些限制寫到文檔中，並且在這個方法體的開頭處，通過顯示的檢查來實施這些限制。 養成這樣的習慣是非常重要的。只要有效性檢查有一次失敗，你為必要的有效性檢查所付出的努力方便都可以連本帶利地得到償還了 。

⑶ 鐢熺墿鏍峰搧鍒嗘瀽鏂規硶楠岃瘉鐨勫唴瀹

鐢熺墿鏍峰搧鍒嗘瀽鏂規硶鏈夋晥鎬ч獙璇佸唴瀹瑰簲鍖呮嫭閫夋嫨鎬с佺嚎鎬с佸噯紜搴︺佺簿瀵嗗害銆佹嫻嬮檺銆佹渶浣庡畾閲忛檺銆佺ǔ瀹氭у拰鎻愬彇鍥炴敹鐜囩瓑銆

鐢熺墿鏍峰搧閫氬父鏄鎸囨嶇墿鐨勮姳銆佸彾銆佽寧銆佹牴銆佺嶅瓙絳夛紝鍔ㄧ墿錛堝寘鎷浜猴級鐨勪綋娑詫紙濡傚翱銆佽銆佸斁娑層佽儐奼併佽儍娑層佹穻宸存恫鍙婄敓鐗╀綋鐨勫叾浠栧垎娉屾恫絳夛級銆佹瘺鍙戙佽倢鑲夊拰涓浜涚粍緇囧櫒瀹橈紙濡傝兏鑵恆佽儼鑵恆佽倽銆佽偤銆佽剳銆佽儍銆佽偩絳夛級浠ュ強鍚勭嶅井鐢熺墿銆

鍦ㄧ敓鐗╂牱鍝佺殑嫻嬪畾涓錛屾牴鎹嫻嬪畾欏圭洰鐨勪笉鍚岋紝棣栧厛瑕佺粡榪囨秷瑙ｏ紙鎴栫伆鍖栵級錛屾垨鎻愬彇鍜屽垎紱葷瓑澶勭悊宸ヤ綔錛岀劧鍚庢墠鑳借繘琛屽緟媯緇勫垎鍚閲忕殑嫻嬪畾銆

鐢熺墿鏍峰搧閲囬泦鍘熷垯錛

1銆佷唬琛ㄦ

閫夋嫨涓瀹氭暟閲忕殑鑳界﹀悎澶у氭暟鎯呭喌鐨勬嶆牚涓烘牱鍝併傞噰闆嗕綔鐗╂垨钄鑿滄椂錛屼笉瑕侀夋嫨鐢板焸杈逛笂鍙婄葷敯鍩2m鑼冨洿浠ュ唴鐨勬牱鍝侊紱濡傞噰闆嗘按鐢熸嶇墿錛屽垯搴旀敞鎰忕誨紑奼℃按鎺掓斁鍙ｉ傚綋璺濈匯

2銆佸吀鍨嬫у拰閫傛椂鎬

閲囨牱鐨勯儴浣嶈佽兘鍏呭垎鍙嶆槧鎵浜嗚В鐨勬儏鍐碉紝榪欏氨鏄鍏稿瀷鎬с傝岄傛椂鎬ф槸鏍規嵁鐮旂┒鐨勭洰鐨勫拰鐜澧冩薄鏌撶墿瀵規嶇墿鐨勫獎鍝嶏紝蹇呴』鎸夌収妞嶆牚鐨勭敓闀跨姸鍐碉紝鍙戣偛闃舵典互鍙婃嶆牚鐨勪笉鍚岄儴浣嶏紝濡傛牴銆佽寧銆佸彾鍜屾灉瀹炴垨鍏蜂綋瑕佹眰榪涜屽垎鍒閲囨牱銆備負浜嗘嶆牚鍚屼竴閮ㄥ垎榪涜屾瘮杈冨垎鏋愶紝涓嶈兘灝嗘嶆牚鐨勪笂銆佷笅閮ㄤ綅闅忔剰娣峰悎銆

⑷ 平穩性檢驗方法的有效性研究

 ——針對客觀類平穩性檢驗方法進行分析，從時間序列的樣本長度視角探討檢驗方法的實際性能， ADF 檢驗和PP 檢驗 是相對較好的判定方法，在模擬實驗中呈現較好的性能

時間序列 是一類典型的隨機數據，基於隨機變數的歷史和現狀來推測其未來需要假設隨機變數的歷史和現狀具有代表性或可延續性，樣本時間序列展現了隨機變數的歷史和現狀。如果隨機變數基本性態維持不變，則要求樣本數據( 時間序列) 的本質特徵仍能延續到未來; 統計量( 均值、方差、協方差)的取值在未來仍能保持不變，則 樣本時間序列具有平穩性 。

通常隨著時間t 取值變動，時間序列的期望值、方差和延遲k 階自協方差的絕對取值一般是變動的，時間序列平穩性特徵將判定為 非平穩

實踐中時間序列平穩性的檢驗，大都是從時間序列樣本數據取值的角度來分析一些統計量特徵，其本質是得到一個平穩性檢驗的「近似結果」。現有的時間序列數據平穩性檢驗方法較多，主要包括主觀檢驗方法( 如自相關函數圖) 和客觀檢驗方法( 如單位根檢驗) 兩類方法。

劉田的研究採用單位根，並針對AR 系列模型展開，本文從樣本長度的視角展開，對AR( Auto-Regression) 系列、MA( Moving Average) 系列、ARMA( Auto-Regressive and Moving Average) 系列和ARIMA( Autoregressive Integrated Moving Average) 系列四種模型展開分析，並採用ADF 檢驗( AugmentedDickey-Fuller test) 、PP 檢驗( Phillips-Perron test) 、KPSS 檢驗( Kwiatkowski-Phillips-Schmidt-Shin test) 、LMC 檢驗( Leybourne-McCabe stationarity test) 四種方法展開實證，分析這些平穩性檢驗方法的實際性能。

從平穩性定義和「近似檢驗」的分析可知，樣本長度將會對檢驗方法的效果造成明顯的影響。劉田［2］探討了單位根檢驗中的樣本長度問題，發現單位根檢驗在分析低維度樣本數據時，其實際效果偏差。因此，實證中所採集的數據樣本長度太短，則其得到的平穩性分析結果顯得不可靠，然而，在實際應用中，仍有大量學者在實證分析時所採集的時間序列樣本長度較短。，因此，其檢驗結果和後續分析值得懷疑。

平穩性分析是不同領域的時間序列數據建模的共性問題，時間序列平穩是經典回歸分析賴以實施的基本假設。如果數據非平穩，則作為大樣本下統計推斷基礎的「一致性」要求便被破壞，基於非平穩時間序列的預測也就失效。因此， 平穩性檢驗是時間序列分析的一個關鍵問題

如何有效地判定時間序列的平穩性，最禪灶槐基本的方法就是平穩性檢驗。現有方法主要包括主觀檢驗方法和客觀檢驗方法，具體如下:

主觀檢驗方法 的典型方式是藉助 圖形 判斷時間序列的賀友平穩性特徵。比如，時間路徑圖法可以繪制出時間序列的散點圖，然後觀察散點是否圍繞其均值上下波動，如果是，則判斷序列為平穩的，否則，判斷為非平穩的［5］，該方法受判斷者的主觀意識影響比較大。其次，時間序列相關函數圖為平穩性判定提供了一個有效的途徑，這包括自相關函數圖、偏自相關函數圖和逆自相關函數圖。對給定的時間序列數據樣本，若其自相辯咐關函數序列迅速收斂到0，則判定為平穩的，反之，則判定為非平穩的。偏自相關函數圖和逆自相關函數圖的應用與自相關函數圖相似，這些方法對序列收斂狀態的判斷帶有一定的主觀性，因此都屬於主觀類檢驗方法。

缺點：1.對大批量的時間序列數據，工作量大2.主觀判定結果因人而異，難以得到一致的結果，因此，實際應用中，這些主觀方法常用於對平穩性特徵的粗略判定。

客觀檢驗方法 的典型代表是單位根檢驗。單位根檢驗( Dickey-Fuller test，DF 檢驗) 是平穩性檢驗中常用到的一種方法。ADF 檢驗是一種擴充的DF 檢驗，可以解決DF 檢驗中對隨機項誤差白雜訊假設的問題。DF 單位根檢驗和ADF 單位根檢驗是通過建立時間序列的自回歸方程，引入滯後運算元構建特徵方程，根據其特徵根的絕對值來判斷序列的平穩性，其准確性主要受到自回歸方程精確性的影響，實踐中只能從統計建模角度給出一個最優的模型。此外，PP 檢驗、KPSS 檢驗［17-18］、LMC 檢驗等檢驗方法也得到了廣泛的研究和應用，這些方法都沿用了統計分布的檢驗方式。國內外學者的相關研究極大地豐富了時間序列平穩性檢驗的理論和應用研究。

缺點：藉助統計分布臨界表的平穩性判定方式，本質上是給出統計意義上的近似結果。盡管客觀檢驗方法已經成為平穩性檢驗研究的主流方法，然而這些方法檢驗統計量的統計分布通常假設樣本長度趨於無窮大，而現實中所採集到的時間序列往往很難滿足這樣的要求。仍要對客觀檢驗方法的性能進行統計分析，實證表明其准確率仍不夠理想。

方法：ADF 檢驗、PP 檢驗、KPSS 檢驗、LMC檢驗

樣本：本文特生成6 組非平穩時間序列數據和6 組平穩時間序列數據進行實驗分析

et為服從標准正態分布的偽隨機函數。模擬實驗數據的時間長度分別取50、100、150、200、250、500 六種長度，每次模擬分別產生1000 個時間序列數據樣本。因此，對每一種長度，都產生12000個時間序列數據樣本，對六種長度，一共產生72000個時間序列數據樣本

採用Matlab 軟體進行分析

1) 對6 組非平穩時間序列數據樣本而言，兩種檢驗方法的效果表現很好，檢驗准確率都達到了90%以上，並且效果較為穩定，受時間長度與模型參數影響不大; ( 2) 對6 組平穩時間序列數據樣本而言，兩種檢驗方法的實際准確率有較大的波動，受具體模型的影響明顯( 3) 計算12 組模型的檢驗准確率的均值可知，ADF檢驗效果受時間序列樣本長度的影響顯著，樣本長度越大，則檢驗准確率越高。

從表4 中可以看出: ( 1) 對6 組非平穩時間序列數據樣本而言，KPSS 檢驗的結果比較理想，無論樣本長度取值大小，其檢驗准確率都超過了95%;( 2) 但對6 組平穩時間序列數據而言，KPSS 檢驗准確率有很大的波動; 對S1、S2 和S5 三組模擬數據的檢驗准確率極差，無論樣本長度取值大小，其檢驗准確率都低於10%; 對S3、S4 和S6 三組模擬數據的檢驗准確率不太理想，其檢驗准確率位於［58． 4%，76． 3%］的區間，且受樣本長度的影響較小; ( 3) 計算12 組模型的檢驗准確率的均值可知，KPSS 檢驗效果受時間序列樣本長度的影響不太明顯，隨著樣本長度的增大，其檢驗准確率沒有明顯的提高。

1) 對6 組非平穩時間序 列數據而言，LMC 檢驗准確率有很大的波動; 檢測 准確率受模型參數影響很大，NS1、NS2 和NS3 模型 的准確率相對較高，而NS4、NS5 和NS6 模型的准確 率相對較低，且隨時間長度的增加，6 個模型的檢驗 准確率有明顯的波動; ( 2) 對6 組平穩時間序列數 據而言，LMC 檢驗准確率也有很大的波動; 檢測准 確率受模型參數影響很大，NS1 和NS5 模型的准確 率相對較低，而NS2、NS3、NS4 和NS6 模型的准確 率相對較高; 且隨時間長度的增加，檢驗准確率有明 顯的波動;3) 計算12 組模型的檢驗准確率的均值 可知，LMC 檢驗效果受時間序列樣本長度的影響不 太明顯，隨著樣本長度的增大，其檢驗准確率沒有明 顯的提高

從表3-表5 可知，無論是平穩模擬數據還是非平穩模擬數據，四種方法都存在一定概率的檢驗錯誤。如果將單位根誤判為平穩過程定義為第一類錯誤，將平穩過程誤判為單位根過程定義為第二類錯誤。針對各種樣本長度，首先計算出四種檢驗方法的第一類錯誤的均值，繪制曲線圖，如圖1( a) 所示然後，計算出四種檢驗方法的第二類錯誤的均值，繪制曲線圖，如圖1( b) 所示; 其中，ADF 檢驗和PP 檢驗兩種方法的錯誤率曲線是重合的。

由圖1 可知: ( 1) LMC 檢驗方法的第一類錯誤率較高，這表明該檢驗方法有很大概率將非平穩時間序列判定為平穩時間序列，而ADF 檢驗、PP 檢驗和KPSS 檢驗三種方法的第一類錯誤率較低; (2)KPSS 檢驗和LMC 檢驗方法的第二類錯誤率較高，這表明該檢驗方法有很大概率將平穩時間序列判定為非平穩時間序列，而ADF 檢驗和PP 檢驗兩種方法的第一類錯誤率較低; ( 3) 在針對多個模擬模型的實證結果表明，ADF 檢驗和PP 檢驗的檢驗性能比較理想。

平穩性檢驗是時間序列分析中的一個重要研究內容。主觀類平穩性檢驗方法的實際檢驗結果會受

到個人因素影響而呈現不一致的情況，因此往往用於對平穩性的粗略判定。客觀類平穩性檢驗方法雖然可以給出統計意義上的唯一判定結果，然而這種基於統計分布的近似檢驗方式，其實際准確率值得深究。本文實證發現: 一方面，時間序列樣本長度會對客觀類檢驗方法造成影響，這一點與劉田的研究結論是一致的［2］; 另一方面，從兩類錯誤分析來看， ADF 檢驗和PP 檢驗 是相對較好的判定方法，在模擬實驗中呈現較好的性能。然而，對某些模擬數據( 模型S1、S2 和S5) 的檢驗效果仍很不精確，而且當樣本長度較小時，其檢驗准確率明顯較低。綜上分析，不可否認，時間序列平穩性檢驗研究仍然任重道遠，採用現有的檢驗方法進行實踐時，採集足夠長時間的數據( 增加樣本長度) 是提高檢驗結果可靠性的必要前提。實際採集到的樣本長度是有限的，漸進分布檢驗方式的改進空間有限，新的檢驗方式值得探究。