Asymptotic Properties of Classification Rules Based on Wilcoxon-Type Statistics
基于 Wilcoxon 型统计量的分类规则的渐近性质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：摘要研究一般统计分类与误分类效率，未涉及离散选择行为或其他给定细分领域的具体设定。
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
基于 Wilcoxon 型统计量的分类规则的渐近性质
- 研究问题
- 当两个位置参数总体各有训练样本时，如何构造非参数分类规则，并衡量其相对参数分类规则的误分类效率？
- 方法与思路
- 作者以 Wilcoxon 型统计量定义非参数分类规则，通过误分类概率的渐近展开，与估计得到的参数规则比较效率。
- 材料陈述的贡献
- 摘要称，论文研究了这类非参数分类规则相对“最优”估计参数规则的效率，为分类方法比较提供渐近分析。
- 阅读关注点
- 应核对两个总体的位置模型、训练样本安排、参数比较规则的“最优”含义，以及误分类概率展开所需的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；展开条件及效率结论未说明，不能判断有限样本表现或后续版本变化。
原文摘要
Suppose training samples are available from two location parameter populations. Nonparametric classification rules based on Wilcoxon-type statistics are defined. The efficiencies of the nonparametric rules relative to the “optimal” estimated parametric rules are then investigated by using asymptotic expansions of the probabilities of misclassification.