Estimating the Number of Classes via Sample Coverage
通过样本覆盖率估计类别总数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：摘要研究一般总体的类别数量估计，类别并不构成离散选择模型或所列其他经济领域的证据。
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
通过样本覆盖率估计类别总数
- 研究问题
- 当总体类别数量未知、各类别抽取概率可能不同，如何从随机样本估计包括未被观察类别在内的类别总数？
- 方法与思路
- 作者利用已观察类别概率之和所定义的样本覆盖率，提出非参数估计方法，并将类别大小异质性纳入估计程序。
- 材料陈述的贡献
- 摘要称该方法推广既有覆盖率估计思路并处理类别概率异质性，指出类别大小变异系数的重要作用，并开展模拟评估。
- 阅读关注点
- 应核对覆盖率与未观察类别数量之间的估计关系、变异系数如何估计，以及稀有类别较多时模拟表现与适用条件。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；具体估计式、理论条件与模拟数值未提供，不能判断严重异质性下的可靠性或刊本变化。
原文摘要
Assume that a random sample is drawn from a population with unknown number of classes and possibly unequal class probabilities. A nonparametric estimation technique is proposed to estimate the number of classes using the idea of sample coverage, which is defined as the sum of the cell probabilities of the observed classes. Since expected sample coverage can be well estimated, we were motivated to find its role in the estimation of the number of classes. This work generalizes the result of Esty to a nonparametric approach and extends Darroch and Ratcliff to incorporate the heterogeneity of the class probabilities. The coefficient of variation of the class sizes is shown to play an important role in the recommended estimation procedures. The performance of the proposed estimators is investigated by means of Monte Carlo simulations.