Asymptotic Distributions for Clustering Criteria
聚类准则的渐近分布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：摘要涉及通用聚类理论与双峰性检验，没有直接研究分位数或分布效应等所列方向。
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
聚类准则的渐近分布
- 研究问题
- 通过优化聚类准则得到的样本划分，其目标函数具有怎样的渐近分布，以及能否据此检验聚类存在性与双峰性？
- 方法与思路
- 作者考察最优样本划分与最优总体划分差异可忽略的情形，并针对一维簇内平方和准则给出详细证明。
- 材料陈述的贡献
- 摘要称，在部分情形下可较简便地确定聚类准则的渐近分布，并将其用于计算聚类存在性和双峰性检验的近似显著性水平。
- 阅读关注点
- 应核对划分差异可忽略的精确定义、总体分布与簇数的限制，以及渐近近似用于两类检验时的校准方式。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；未给出具体正则条件或有限样本误差，也不能推断刊本变化。
原文摘要
A set of observations is partitioned into $k$ clusters by optimizing a clustering criterion $W$. The asymptotic distribution of this clustering criterion may be determined simply in certain cases where the optimal sample partition differs negligibly from the optimal population partition. Detailed proofs are given in the one-dimensional case when the clustering criterion to be minimized is within cluster sum of squares. The asymptotic distributions are used to compute approximate significance levels of tests for the presence of clusters, and of tests for bimodality.