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：摘要研究次序统计量与通用参数估计效率，未明确对应给定领域细分。
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
- 已有小样本次序统计量线性估计的系数时，如何构造更大样本的估计，并判断这种外推方法能否达到渐近效率？
- 方法与思路
- 作者研究McCool利用已有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。
- 材料陈述的贡献
- 摘要称，该方法在logistic分布下产生渐近有效的位置估计，在Pareto分布下产生渐近有效的尺度估计。
- 阅读关注点
- 应核对系数外推规则、样本量增长安排和效率基准，确认两种分布中的参数设定及结论是否依赖初始系数选择。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；外推公式和完整条件未提供，特定分布的效率结论不能推广到一般位置尺度模型。
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.