Distribution estimators and confidence intervals for stereological volumes
体视学体积估计的分布估计量与置信区间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：摘要研究体视学系统抽样下体积统计量的抽样分布，未涉及所列分布效应或其他计量细分方向。
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
体视学体积估计的分布估计量与置信区间
- 研究问题
- 在系统抽样带来强空间相关且样本通常较小时，如何估计体积估计量的整个抽样分布，并为真实体积构造置信区间？
- 方法与思路
- 作者使用 bootstrap 估计体积估计量的分布，提出多种置信区间，并考虑切片严格周期、切片位置误差和片内测量误差。
- 材料陈述的贡献
- 摘要称，bootstrap 可一致估计体积估计量的分布，将分析从方差扩展至分布和区间，并以合成数据模拟及真实数据说明。
- 阅读关注点
- 应核对 bootstrap 如何保留系统抽样的空间依赖、一致性所需的渐近框架，以及切片位置和测量误差的建模与区间覆盖。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性条件及区间覆盖结果未说明，抽样分布估计也不等同于分布效应分析。
原文摘要
Assessing the precision of volume estimates from systematic samples is a question of great practical importance, but statistically a challenging task due to the strong spatial dependence of the data and typically small sample sizes. The approach taken in this paper is more ambitious than earlier methodologies, the goal of which was estimation of the variance of a volume estimator v̂, rather than estimation of the distribution of v̂. We shall show that bootstrap methods yield consistent estimators of the distribution of v̂, and also suggest a variety of confidence intervals for the true volume. Our new methodology covers cases where serial sections are exactly periodic, as well as instances where the physical slicing procedure introduces errors in the placement of the sampling points. Measurement errors within sections are also taken into account. The performance of the method is illustrated by a simulation study with synthetic data, and also applied to real datasets.