Proportions with Extraneous Variance: Single and Independent Samples
存在额外变异的比例数据：单样本与独立样本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：文本讨论一般比例数据的额外变异和加权估计，未明确涉及离散选择模型或其他所列方向。
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
存在额外变异的比例数据：单样本与独立样本
- 研究问题
- 当比例数据的异质性使其变异超过二项分布预期时，如何在单样本和一元分类情形下估计均值并开展统计推断？
- 方法与思路
- 作者采用最小二乘方法，用矩方法估计异质性方差并据此加权，再以蒙特卡洛实验考察中小样本中的估计和推断表现。
- 材料陈述的贡献
- 摘要称模拟中经验加权估计相对精确最小二乘估计具有较高效率，方差估计近似无偏，推断程序通常能够满足实际应用需要。
- 阅读关注点
- 应核对额外变异模型、矩估计和权重的构造、比较基准的含义，以及模拟如何衡量效率、方差偏差和推断程序的表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。所述表现来自未详述的模拟，摘要未给出样本规模、异质性范围或误差控制数值。
原文摘要
Data which appear to be binomial proportions sometimes exhibit heterogeneity which results in greater variation than would be expected under the binomial distribution. Methods for estimating means and associated inference procedures in a single sample and one-way classification have been developed by a least squares approach in which estimates of the heterogeneity variances are obtained by moments and used in weighting. Monte Carlo studies of the performance of this technique in moderate and small samples indicate that (1) these empirical weighting estimates have high efficiency relative to exact least squares estimates; (2) the variance estimators are nearly unbiased; (3) the resulting inference procedures are usually adequate for practical application.