Likelihood Methods for the Discrimination Problem
判别问题的似然方法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：摘要研究已知密度下的统计判别与混合模型，未涉及离散选择或经济结构模型。
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
判别问题的似然方法
- 研究问题
- 独立观测分别来自两个已知密度，但各观测所属来源未知时，如何估计来源数量并降低预期误分类数？
- 方法与思路
- 作者将最小化预期误分类数的分配规则写成来源数量的函数，研究其估计及基于次序统计量的似然性质。
- 材料陈述的贡献
- 摘要认为，无论来源数量和正确分配由随机还是确定机制产生，混合模型分析都能取得良好表现。
- 阅读关注点
- 核对来源数量的估计方式、最优分配规则对已知密度的依赖，以及支持不同生成机制下表现结论的证据。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；摘要未说明“表现良好”的评价指标、具体条件或误分类数值。
原文摘要
Suppose independent observations are drawn such that k have a known density g(x) and n – k have a known density f(x). We consider the discrimination problem of allocating observations to their parent densities. The rule minimizing the expected number of misclassifications is written as a function of k and estimators of k are investigated. Properties of the likelihood function of k based upon the order statistics are studied. We conclude that a mixture model analysis performs well regardless of the mechanism, stochastic or deterministic, which generates k and the correct allocation.