Rank Regression in Ranked-Set Samples
排序集样本中的秩回归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：摘要讨论排序集抽样下的一般线性回归与秩检验，秩方法本身不足以归入分位数与分布效应。
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…
关注这篇论文的作者
排序集样本中的秩回归
- 研究问题
- 在排序集抽样获得的线性模型数据中，如何构造秩回归估计和一般线性假设检验，并安排被实际测量的顺序统计量？
- 方法与思路
- 作者最小化采用 Wilcoxon 得分的秩离散函数，构造离散度、Wald 与对齐秩检验，并研究完全正确排序下的分配。
- 材料陈述的贡献
- 摘要称估计量渐近正态、三类检验渐近服从卡方分布，并报告相较简单随机抽样秩回归的更高 Pitman 渐近效率。
- 阅读关注点
- 应核对抽样与判断排序条件、效率比较的备择设定，以及集合大小小于七时最优分配结论的具体约束。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优分配明确依赖完全正确的判断排序，排序误差影响及有限样本优势未说明。
原文摘要
The use of statistical methods based on ranked-set sampling can lead to a substantial improvement over analog methods associated with simple random sampling schemes. This article develops a rank-based estimator and testing procedures for linear models for ranked-set samples. The estimator is defined as the minimizer of the rank dispersion function with Wilcoxon scores. It is shown that the estimator of the regression parameter is asymptotically normal and has higher Pitman asymptotic efficiency than a simple random-sample rank regression estimator. Three testing procedures are developed to test a general linear hypothesis: dispersion, Wald, and aligned rank tests. It is shown that all of these test statistics converge to a chi-squared distribution and the aligned rank test reduces to a simple random-sample analog of Kruskal-Wallis test for one-way analysis of variance. Under the assumption of perfect judgment ranking, optimal allocation of order statistics are constructed for set sizes smaller than 7. The optimal allocation procedures quantify middle observation(s) for symmetric unimodal distributions and smallest (largest) observation for right- (left-) skewed distributions.