A Mean Difference Estimator of Standard Deviation in Symmetrically Censored Normal Samples
对称删失正态样本中标准差的均差估计量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：摘要研究一般正态样本的尺度估计与删失，不能因涉及分布或异常值就归入分布效应或金融风险。
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
对称删失正态样本中标准差的均差估计量
- 研究问题
- 在正态样本受到对称删失时，如何调整均差型标准差估计量，并评估其小样本效率及受到分布污染时的表现？
- 方法与思路
- 作者将 Downton 的线性标准差估计量推广到对称删失样本，通过列表提供无偏校正因子，并研究小样本与污染正态情形。
- 材料陈述的贡献
- 摘要提供对称删失下的估计量调整和校正因子，考察效率与抗污染表现，并提出它可能有助于异常值检测。
- 阅读关注点
- 应核对对称删失的具体规则、校正因子的适用样本量，以及效率比较的基准、污染方式和异常值检测建议的实际依据。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；效率数值、污染模型及检测性能未说明，可能用于异常值检测不等于已获验证。
原文摘要
Downton's linear estimator of the standard deviation is adapted to symmetrically censored normal samples by tabulating the unbiasing factor. The efficiency of this estimator in small samples is studied, as well as its behaviour when applied to a contaminated normal distribution. Such an estimator may be useful in detecting outliers.