Likelihood methods for the discrimination problem
判别问题的似然方法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：文本讨论统计判别与混合模型中的来源分配，未提供经济离散选择模型或其他领域细分的直接依据。
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
判别问题的似然方法
- 研究问题
- 当独立观测分别来自两个已知密度、但各观测的来源未知时，如何估计来自其中一个密度的数量并降低误分类数？
- 方法与思路
- 作者将最小化预期误分类数的分配规则写成来源数量的函数，研究该数量的估计及基于次序统计量的似然性质。
- 材料陈述的贡献
- 摘要称，混合模型分析在来源数量与正确分配由随机机制或确定性机制生成时均表现良好，但未给出具体比较结果。
- 阅读关注点
- 应核对两个密度已知的设定、来源数量的可辨识性、分配规则的推导，以及混合模型表现良好的评价标准与适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明估计量的具体性质、比较设计或性能数值，也不能外推至密度未知的情形。
原文摘要
Suppose independent observations are drawn such that k have a known density g(x) and n – k have a known density f(x). We consider the discrimination problem of allocating observations to their parent densities. The rule minimizing the expected number of misclassifications is written as a function of k and estimators of k are investigated. Properties of the likelihood function of k based upon the order statistics are studied. We conclude that a mixture model analysis performs well regardless of the mechanism, stochastic or deterministic, which generates k and the correct allocation.