A Density-Quantile Function Approach to Optimal Spacing Selection
基于密度—分位数函数的最优间距选择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：摘要直接研究利用样本分位数进行估计及分位数估计的最优间距设计。
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
基于密度—分位数函数的最优间距选择
- 研究问题
- 利用完整或删失样本的分位数线性估计位置、尺度及分位数时，如何选择间距，使渐近效率接近相应最优水平？
- 方法与思路
- 作者借用连续参数时间序列回归的设计技术，建立间距选择框架，并据此研究最优间距的唯一性及分位数估计的设计。
- 材料陈述的贡献
- 摘要称，间距元素数较大时所得设计具有近最优渐近相对效率，并在所比较分布中、元素数至少为七时表现良好。
- 阅读关注点
- 应核对密度—分位数函数的作用、删失机制和效率比较基准，以及间距唯一性的充分条件与分布比较的覆盖范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体分布、间距公式与效率数值未提供，所述元素数门槛不能视为普遍保证。
原文摘要
In this paper design techniques for continuous parameter time series regression analysis are employed to develop a general approach to optimal spacing selection for the linear estimation of location and scale parameters by sample quantiles from uncensored or censored samples. The spacings derived from this approach are asymptotically optimal in the sense that they result in near optimal asymptotic relative efficiencies for large values of $k$, the number of spacing elements. A comparison with the optimum efficiencies for several distribution types indicates that the asymptotically optimum spacings perform well for $k \geq 7$. The regression framework is also utilized to develop sufficient conditions for optimal spacing unicity and to obtain asymptotically optimal spacings for quantile estimation.