Quantile and quantile-function estimations under density ratio model
密度比模型下的分位数及分位数函数估计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：摘要直接研究总体分位数、分位数函数及其置信区间，因而与分位数与分布效应方向中的分位数推断相关。
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
密度比模型下的分位数及分位数函数估计
- 研究问题
- 当多个独立总体满足密度比模型时，能否利用全部样本提高分位数及其函数的估计效率，并构造有效置信区间？
- 方法与思路
- 作者利用密度比模型下的经验似然整合各总体样本，建立分位数估计的 Bahadur 表示，再据此开展分位数函数推断。
- 材料陈述的贡献
- 摘要称，合并样本的经验似然分位数具有渐近效率优势；模拟还展示了模型成立及轻度误设时的表现，并给出应用示例。
- 阅读关注点
- 应核对密度比模型的具体限制、分位点附近的正则条件、效率比较的准确含义，以及模拟中轻度误设的设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能判断效率结论的完整条件，也不能将有限模拟中的稳健表现推广至任意模型误设。
原文摘要
Population quantiles and their functions are important parameters in many applications. For example, the lower quantiles often serve as crucial quality indices for forestry products. Given several independent samples from populations satisfying the density ratio model, we investigate the properties of empirical likelihood (EL) based inferences. The induced EL quantile estimators are shown to admit a Bahadur representation that leads to asymptotically valid confidence intervals for functions of quantiles. We rigorously prove that EL quantiles based on all the samples are more efficient than empirical quantiles based on individual samples. A simulation study shows that the EL quantiles and their functions have superior performance when the density ratio model assumption is satisfied and when it is mildly violated. An example is used to demonstrate the new method and the potential cost savings.