Estimation and Testing of Learning Curves
学习曲线的估计与检验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：摘要明确处理一阶自相关并据此进行极大似然估计，直接涉及时间序列相关结构，但未说明宏观应用背景。
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
学习曲线的估计与检验
- 研究问题
- 不同学习曲线理论应如何转化为可估计的统计模型，并在数据中比较其适用性？研究同时关注自相关的处理与曲线形式的选择。
- 方法与思路
- 作者构建对应不同学习曲线理论的非线性模型，在一阶自相关设定下用极大似然估计参数，并以非嵌套检验选择曲线形式。
- 材料陈述的贡献
- 摘要称，三个数据集中的自相关似乎是重要问题，并建议估计学习曲线时使用单位数据，同时在存在自相关时作相应处理。
- 阅读关注点
- 阅读时应核对各学习理论对应的函数形式、单位数据的具体定义、一阶自相关假设，以及非嵌套检验的实现与模型选择依据。
- 阅读边界
- 摘要未说明数据背景、具体曲线形式、参数结果或检验结果，无法判断哪种学习理论得到支持，也不能确认建议的普遍适用性。
原文摘要
This article describes a new approach to learning curve estimation. Our approach is to formulate statistical procedures that conform to alternative learning curve theories. This leads to the development of nonlinear statistical models of the learning curves. For the three data sets analyzed, autocorrelation seems to be an important problem. Parameter estimates were derived using the maximum likelihood principle in the presence of first-order autocorrelation. Nonnested tests were used to select the appropriate formulation of the learning curve. Research conclusions are to use unit data when estimating a learning curve and to be prepared to treat autocorrelation if present.