An Algorithm for Determining the Asymptotically Best Linear Estimate of the Mean from Multiply Censored Logistic Data
多重删失 Logistic 数据下均值渐近最优线性估计的算法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：摘要研究删失样本下的通用参数估计，未涉及所列微观、宏观或金融细分方向的明确应用或专门问题。
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
多重删失 Logistic 数据下均值渐近最优线性估计的算法
- 研究问题
- 当 Logistic 分布的尺度已知、只能利用大样本中选出的若干次序统计量时，怎样选择它们的间距以有效估计均值？
- 方法与思路
- 作者提出优化所选次序统计量间距的算法，并讨论该算法在其他分布的位置或尺度估计以及尺度未知情形中的应用。
- 材料陈述的贡献
- 摘要称算法可用于若干其他分布的参数估计；当均值与尺度都未知、主要关注均值时，原有间距选择仍具有合理性。
- 阅读关注点
- 应核对间距优化的目标、删失方式、渐近框架和算法实现，并检查尺度未知时“合理”的评价标准及适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体最优间距、正则条件和效率结果均未提供，不能推断其他版本的变化。
原文摘要
An algorithm is considered for allocating an optimum spacing for the asymptotically best linear estimate (ABLE) of the mean μ, when the standard deviation πσ 0/√3 of the logistic distribution is known, based on k order statistics selected from a large multiply censored sample. This algorithm can be applied to problems of estimating the location parameter of the normal, Cauchy and extreme-value distribution when the scale parameter is known and estimating the scale parameter of the exponential, Weibull and Pareto distributions when the location and shape parameters are known. When both μ and the scale parameter σ are unknown and one is mainly interested in estimating μ, it is demonstrated that the above spacing is reasonable.