On the Use of Double Sampling Schemes in Analyzing Categorical Data with Misclassification Errors
双重抽样方案在误分类类别数据分析中的应用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：摘要研究类别测量误差与验证样本，类别数据本身不足以证明其属于离散选择模型或其他所列计量细分。
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
双重抽样方案在误分类类别数据分析中的应用
- 研究问题
- 当低成本分类机制存在误分类时，如何借助额外的准确分类样本，改善多维交叉分类数据的统计推断？
- 方法与思路
- 作者让第二样本同时接受易错机制和真实分类机制的交叉分类，提出最大似然与最小二乘结合的方法及完全最小二乘方法。
- 材料陈述的贡献
- 摘要称，该双重抽样框架适用于不受限随机抽样所得的多维交叉分类数据，并使用真实数据展示两种分析方法。
- 阅读关注点
- 应核对第二样本的获取方式、真实分类机制的可靠性、误分类关系如何估计，以及两种方法的识别与不确定性处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明样本间关系、误分类参数条件或方法比较结果，不能认定某方法更优。
原文摘要
In order to resolve the difficulties involved in inference from a sample of categorical data obtained by using a fallible classifying mechanism (usually inexpensive), we consider, as in Tenenbein (1970, 1971, 1972), the utilization of an additional sample. The second sample is subjected to a simultaneous cross-classification of its elements by the fallible mechanism and by some true (usually expensive) classifying mechanism. The setup is general; i.e., the discussion can be applied to any multidimensional cross-classified data obtained by unrestricted random sampling. Two methodologies are presented: (i) a combined maximum likelihood (ML) and least squares (LS) approach and (ii) a complete-LS approach. Both methodologies are illustrated using real data.