A Generalized Approach to Maximum Likelihood Paired Comparison Ranking
成对比较排序的极大似然估计：一种广义方法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：摘要讨论成对比较的通用排序与偏好估计，未明确涉及所列经济学离散选择模型，暂不分类。
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
成对比较排序的极大似然估计：一种广义方法
- 研究问题
- 如何利用成对比较实验的数据构造对象的线性排序或估计偏好关系，并将不同选择准则纳入统一的极大似然框架？
- 方法与思路
- 作者以所谓的 f 准则组织排序与偏好估计，将排序问题纳入数学规划，并使用分支搜索算法求取极大似然偏好关系。
- 材料陈述的贡献
- 摘要称该框架统一并扩展了受约束排序与偏好估计理论，并以四种具体准则和三个文献实例展示其应用。
- 阅读关注点
- 应核对 f 准则的定义、排序与偏好关系各自的约束、数学规划的等价性，以及分支搜索效率的评价依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无法判断理论条件、算法复杂度和实例表现，也不能推断刊本变化。
原文摘要
In many situations one is faced with the task of constructing a linear order, or ranking, of n objects based on data derived from a paired comparison experiment. Alternatively, one may desire to estimate the preference relation on the set of objects. Numerous criteria appear in the literature, and in practice, under which rankings or preferences may be selected. The main emphasis of this paper is on developing a general approach to maximum likelihood estimation of rankings and preferences. Utilizing what we term f criteria, our results unify and extend both the theory of constrained maximum likelihood ranking estimation and the work of Singh and Thompson on preference estimation. In addition, we show that a specific mathematical programming problem subsumes the problem of finding a maximum likelihood ranking and also that an efficient branch search algorithm can be used to find maximum likelihood preferences. Four specific f criteria are selected for illustration and each is applied to three examples from the paired comparison literature.