Predictive discrimination and classification with mixed binary and continuous variables
二元与连续混合变量的预测判别及分类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：摘要讨论通用混合特征分类，而非经济主体选择、宏观变量或收益预测，所列细分方向缺少直接文本依据。
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
二元与连续混合变量的预测判别及分类
- 研究问题
- 当分类观测同时包含二元变量和连续变量时，如何构造考虑未知参数不确定性的预测分类规则，并评价其表现？
- 方法与思路
- 作者依据位置模型的常规频率分布和未知参数的弥散先验推导预测分配规则，并考虑总体参数受低阶线性模型约束的情形。
- 材料陈述的贡献
- 摘要称获得混合变量及受约束参数情形的预测分类规则，并提供蒙特卡洛结果，与基于参数估计的竞争规则比较。
- 阅读关注点
- 应核对混合位置模型与先验的具体设定、参数约束的处理，以及分类损失、模拟场景和竞争规则的构造方式。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未报告误分类数值或优势方向，预测分类不直接构成宏观预测或离散选择分析。
原文摘要
We derive the predictive allocation rule for classification of observations involving mixtures of binary and continuous variables. Our approach is based on the usual frequency distributions of the location model and vague prior distributions for the unknown parameters. The same approach is used to derive predictive rules when low-order linear models are imposed on the population parameters. We also present Monte Carlo results on the performance of the new predictive rule and its estimative competitor.