Extrapolation of Linear Estimates to Larger Sample Sizes
将线性估计外推至更大样本量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：摘要讨论次序统计量与通用参数估计；帕累托分布的出现本身不足以支持金融尾部风险分类。
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
将线性估计外推至更大样本量
- 研究问题
- 当较小样本下基于次序统计量的线性估计系数已经可用时，如何构造更大样本的估计量，并判断这种外推是否保留统计效率？
- 方法与思路
- 作者研究McCool利用小样本系数构造大样本线性估计的方法，借助U统计量理论分析效率，并考察特定分布下的位置和尺度估计。
- 材料陈述的贡献
- 摘要称，该方法在逻辑斯蒂分布下产生渐近有效的位置参数估计，在帕累托分布下产生渐近有效的尺度参数估计，提供两类明确特例。
- 阅读关注点
- 应核对外推系数的构造规则、小样本估计所需条件，以及渐近效率采用的比较界限；检查特例结论能否延伸至其他分布或有限样本。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未给出外推公式、正则条件或有限样本结果，不能据此认定任意分布下均有效率优势或推断刊本变化。
原文摘要
A study is performed of McCool's method for constructing linear estimates from order statistics when the coefficients of a linear estimate for a smaller sample size are available. The efficiency of the method is investigated, using the theory of U statistics. Among other things, it is shown that in the case of the logistic distribution, the method produces an asymptotically efficient location parameter estimate and, in the case of the Pareto distribution, an asymptotically efficient scale parameter estimate.