Exact computation of maximum rank correlation estimator
最大秩相关估计量的精确计算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：摘要主要讨论通用秩估计的优化算法与预测界，未明确对应所列领域细分。
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
最大秩相关估计量的精确计算
- 研究问题
- 如何为最大秩相关估计寻找全局解，并将同类计算方法用于最佳子集秩预测，同时刻画预测表现的非渐近误差？
- 方法与思路
- 作者将目标中的示性函数转化为待求的二元变量，构造与原问题等价的混合整数规划，并将该方法扩展至最佳子集秩预测。
- 材料陈述的贡献
- 摘要称，论文提供全局求解算法和等价性结果，推导预测表现指标的尾概率非渐近界，并用实证与模拟考察算法表现。
- 阅读关注点
- 应核对等价改写的约束、全局最优的判定方式、样本规模下的计算成本，以及尾概率界针对的指标和适用条件。
- 阅读边界
- 摘要未说明运行时间、可处理规模、概率界的具体形式或实证设定；全局最优的计算目标不等同于普遍更好的统计表现。
原文摘要
Summary In this paper we provide a computation algorithm to get a global solution for the maximum rank correlation estimator using the mixed integer programming (MIP) approach. We construct a new constrained optimization problem by transforming all indicator functions into binary parameters to be estimated and show that it is equivalent to the original problem. We also consider an application of the best subset rank prediction and show that the original optimization problem can be reformulated as MIP. We derive the nonasymptotic bound for the tail probability of the predictive performance measure. We investigate the performance of the MIP algorithm by an empirical example and Monte Carlo simulations.