Invidious Comparisons: Ranking and Selection as Compound Decisions
引发攀比的比较：作为复合决策的排名与选择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：摘要核心是通用经验贝叶斯排名与选择，未提供足够依据对应给定的领域细分。
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
引发攀比的比较：作为复合决策的排名与选择
- 研究问题
- 当多个对象的优劣只能通过精度不同的含噪标量测量观察时，如何选择最优秀的一组对象，并明确排名决策的统计目标？
- 方法与思路
- 作者将问题置于经验贝叶斯复合决策框架，用混合模型的非参数极大似然估计构造排名与选择规则，并联系多重检验。
- 材料陈述的贡献
- 摘要称，该框架产生最优排名和选择规则，并通过模拟与美国肾透析中心排名应用评估表现，但摘要未给出具体比较结果。
- 阅读关注点
- 应核对最优性的损失函数、异质测量精度如何处理、混合分布估计条件，以及排名和选择规则在模拟与应用中的评价标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断最优性适用范围或实际表现；标量优劣的排名框架不能直接覆盖对象的全部多维属性。
原文摘要
There is an innate human tendency, one might call it the “league table mentality,” to construct rankings. Schools, hospitals, sports teams, movies, and myriad other objects are ranked even though their inherent multi‐dimensionality would suggest that—at best—only partial orderings were possible. We consider a large class of elementary ranking problems in which we observe noisy, scalar measurements of merit for n objects of potentially heterogeneous precision and are asked to select a group of the objects that are “most meritorious.” The problem is naturally formulated in the compound decision framework of Robbins's (1956) empirical Bayes theory, but it also exhibits close connections to the recent literature on multiple testing. The nonparametric maximum likelihood estimator for mixture models (Kiefer and Wolfowitz (1956)) is employed to construct optimal ranking and selection rules. Performance of the rules is evaluated in simulations and an application to ranking U.S. kidney dialysis centers.