Least squares for cardinal paired comparisons data
数值型成对比较数据的最小二乘估计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：摘要以比较网络的图结构和稀疏性刻画估计性质，对应网络方向，但未涉及干扰效应。
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…
数值型成对比较数据的最小二乘估计
- 研究问题
- 对带或不带协变量的数值型成对比较，比较图需满足什么条件，才能保障最小二乘估计与项目排名的渐近可靠性？
- 方法与思路
- 作者分析成对比较图模型的最小二乘估计，以图结构刻画渐近性质，并研究协变量、有限与无限项目集及大型稀疏图。
- 材料陈述的贡献
- 摘要称，文章给出保障强一致性、渐近正态性及排名指数收敛的图条件，并说明何时可安全省略协变量，附模拟与 NBA 应用。
- 阅读关注点
- 应核对图条件的必要性与充分性、样本和图增长方式，以及省略协变量的条件、排名误差定义和稀疏图限制。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体图条件、误差假设及应用结果未说明，不能推断其他版本变化或将图结构解释为因果干扰。
原文摘要
Abstract Least square estimators for graphical models for cardinal paired comparison data with and without covariates are rigorously analysed. Novel, graph-based, necessary, and sufficient conditions that guarantee strong consistency, asymptotic normality, and the exponential convergence of the estimated ranks are emphasized. A complete theory for models with covariates is laid out. In particular, conditions under which covariates can be safely omitted from the model are provided. The methodology is employed in the analysis of both finite and infinite sets of ranked items where the case of large sparse comparison graphs is addressed. The proposed methods are explored by simulation and applied to the ranking of teams in the National Basketball Association.