Forecasting Records by Maximum Likelihood
用最大似然法预测纪录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：摘要直接研究纪录序列的模型预测与预测期限限制，分类依据是预测方法而非宏观应用。
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
用最大似然法预测纪录
- 研究问题
- 当观测仅包含不断刷新的纪录时，如何据此拟合表现变化模型、检验拟合情况，并评估短期预测与长期极限推断？
- 方法与思路
- 作者借用删失数据分析思路构造纪录观测的似然，以最大似然拟合田径纪录序列，并提出残差分析方法检验模型。
- 材料陈述的贡献
- 摘要报告英里跑与马拉松纪录的拟合和预测分析，称短期预测表现尚可，同时对回归方法预测长期表现极限提出保留。
- 阅读关注点
- 应核对纪录观测如何形成似然、年度最佳成绩分布如何选择，以及趋势设定、残差诊断和预测评价使用的依据。
- 阅读边界
- 仅据未注明稿件版本的索引摘要；应用结论属于所述田径纪录序列，摘要未给出预测误差或区间，且明确质疑长期极限预测。
原文摘要
A maximum likelihood method of fitting a model to a series of records is proposed, using ideas from the analysis of censored data to construct a likelihood function based on observed records. This method is tried out by fitting several models to series of athletics records for mile and marathon races. A form of residual analysis is proposed for testing the models. Forecasting consequences are also considered. In the case of mile records, a steady linear improvement since 1931 is found. The marathon data are harder to interpret, with a steady improvement until 1965 with only slight improvement in world records since then. In both cases, the normal distribution appears at least as good as extreme-value distributions for the distribution of annual best performances. Short-term forecasts appear satisfactory, but serious reservations are expressed about using regression-type methods to predict long-term performance limits.