Construction of Confidence Intervals for the IVIean of a Population Containing Many Zero Values
大量零值总体的均值置信区间构造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：摘要研究含大量零值总体的均值区间及分布稳健性，未涉及给定细分中的特定经济模型或分布效应问题。
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…
大量零值总体的均值置信区间构造
- 研究问题
- 当总体包含大量零值及少量连续非零值时，如何为总体均值构造可靠的置信区间，并评估其对非零部分分布假设的敏感性？
- 方法与思路
- 作者以似然比检验构造均值置信区间，分别假定非零部分服从正态或指数分布，并模拟比较其与中心极限定理方法的覆盖率。
- 材料陈述的贡献
- 摘要称，文章提出两种似然比区间算法；在所考察的多种误差分布下，正态算法的覆盖率表现最稳健。
- 阅读关注点
- 应核对零值与非零值的联合建模、似然比区间的构造和校准，以及模拟的样本量、分布设定与覆盖率比较。
- 阅读边界
- 摘要未给出具体覆盖率、区间长度或所需正则条件；所述稳健性仅针对模拟中的分布设定，不能推广到任意含零总体。
原文摘要
The likelihood ratio method is used to construct a confidence interval for a population mean when sampling from a population with certain characteristics found in many applications, such as auditing. Specifically, a sample taken from this type of population usually consists of a very large number of zero values, plus a small number of nonzero values that follow some continuous distribution. In this situation, the traditional confidence interval constructed for the population mean is known to be unreliable. This article derives confidence intervals based on the likelihood-ratio-test approach by assuming (1) a normal distribution (normal algorithm) and (2) an exponential distribution (exponential algorithm). Because the error population distribution is usually unknown, it is important to study the robustness of the proposed procedures. We perform an extensive simulation study to compare the percentage of confidence intervals containing the true population mean using the two proposed algorithms with the percentage obtained from the traditional method based on the central limit theorem. It is shown that the normal algorithm is the most robust procedure against many different distributional error assumptions.