Sequential Confidence Intervals for the Mean of a Subpopulation of a Finite Population
有限总体中子总体均值的序贯置信区间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：摘要研究有限总体抽样与序贯区间，虽包含中位数估计，但未涉及经济分位数或分布效应，因此不作细分归类。
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
有限总体中子总体均值的序贯置信区间
- 研究问题
- 为有限总体内的子总体参数逐步收集样本时，如何构造序贯置信区间，并评估相对无限总体独立抽样程序的效率？
- 方法与思路
- 作者提出基于均值、中位数和截尾均值的序贯程序，通过估计量线性化建立中心极限定理，并开展小样本蒙特卡洛研究。
- 材料陈述的贡献
- 摘要称，这些程序比相应的无限总体独立同分布程序更有效率，线性化简化了理论论证，模拟显示小样本表现良好。
- 阅读关注点
- 应核对有限总体抽样方案、子总体识别方式、停止规则和覆盖率条件，以及效率比较采用的指标与比较程序。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；停止规则、效率定义和模拟数值未提供，不能判断优势覆盖哪些总体规模与抽样比例。
原文摘要
Sequential confidence intervals for the parameters of a subpopulation of a finite population are studied. Procedures are suggested using the mean, median, and trimmed means; these procedures are shown to be more efficient than their counterparts which are based on independent, identically distributed observations from infinite populations. The major technique used is to “linearize” the estimates, yielding as a simple consequence proofs of central limit theorems. A Monte Carlo study shows that the small-sample performance is very good.