Predictive Discrimination and Classification with Mixed Binary and Continuous Variables
二元与连续变量混合情形下的预测判别与分类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。
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：摘要中的二元变量用于统计分类，未涉及离散选择行为模型，也未说明金融收益预测应用。
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
二元与连续变量混合情形下的预测判别与分类
- 研究问题
- 观测同时包含二元变量和连续变量时，如何构造考虑未知参数的预测分类规则，并与基于参数估计的分类规则比较？
- 方法与思路
- 作者基于 location model 的通常频率分布和弱信息先验推导预测分配规则，并研究总体参数受低阶线性模型约束的情况。
- 材料陈述的贡献
- 摘要提供混合变量的预测分类规则及受约束参数下的扩展，并报告与估计式分类规则比较的 Monte Carlo 研究。
- 阅读关注点
- 应核对 location model 的分布设定、弱信息先验的具体形式、线性约束，以及分类误差和模拟设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未报告模拟结果方向或幅度，不能声称预测规则更优或适用于任意混合变量分布。
原文摘要
We derive the predictive allocation rule for classification of observations involving mixtures of binary and continuous variables. Our approach is based on the usual frequency distributions of the location model and vague prior distributions for the unknown parameters. The same approach is used to derive predictive rules when low-order linear models are imposed on the population parameters. We also present Monte Carlo results on the performance of the new predictive rule and its estimative competitor.