On two-stage Monte Carlo tests of composite hypotheses

ضعف عمده تست کلاسیک مونت کارلو این است که وقتی فرضیه ی صفر کامپوزیتی است، تعصب دارد. این مشکل حتی زمانی ادامه می یابد که تعداد شبیه سازی ها به بی نهایت می انجامد. یک روش استاندارد این است که آزمون دو بوت استرپ شامل دو مرحله شبیه سازی مونت کارلو را انجام دهد: در شرایط مناسب، این آزمون برای هر سطح معقول ثابت دقیق است. با این حال، آزمون دو مرحله ای در بعضی از برنامه های کاربردی ضعیف عمل می کند: برای تعدادی از شبیه سازی ها، آزمون با کوچکترین سطح اهمیت قابل دستیابی می تواند شدیدا منحرف شود. نسخه متعادل از آزمون دو مرحلهای پیشنهاد شده است که برای تمام سطوح اهمیت قابل دستیابی دقیق است، زمانی که فرضیه ساده ساده است و برای فرضیه های کامپوزیت صفر خوب عمل می کند.