Binary Classification with the Maximum Score Model and Linear Programming
最大得分模型与线性规划下的二元分类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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接使用最大得分二元响应模型，并处理该模型的参数部分识别。
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
最大得分模型与线性规划下的二元分类
- 研究问题
- 在协变量离散、最大得分模型参数仅部分识别时，如何构造考虑识别不确定性的二元分类规则，并控制抽样引起的损失？
- 方法与思路
- 作者把分类问题转化为两个线性规划，建立极小极大遗憾最优规则，界定误分类概率与超额遗憾，并讨论连续协变量扩展。
- 材料陈述的贡献
- 摘要称该方法避开最大得分估计的计算困难，在较少分布假设下保留外推能力，并用模拟和实证应用展示效果。
- 阅读关注点
- 应核对最优规则采用的决策集合与损失函数、参数识别集如何进入线性规划，以及连续协变量扩展和误差界的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明分布假设、连续情形适用条件及模拟和应用的具体结果。
原文摘要
This paper presents a computationally efficient method for binary classification using Manski's (1975, 1985) maximum score model when covariates are discretely distributed and parameters are partially but not point identified. We establish minimax-regret-optimal classification rules that take account of partial identification of the model's parameters. We bound misclassification probabilities and expected excess regret induced by sampling uncertainty. We also describe an extension of our method to continuous covariates. Our approach avoids the computational difficulty of maximum score estimation by reformulating the problem as two linear programs. Compared to parametric and nonparametric methods, our method balances extrapolation ability with minimal distributional assumptions. Monte Carlo simulations and empirical applications demonstrate its effectiveness and practical relevance.