Dispersion of Categorical Variables and Penalty Functions: Derivation, Estimation, and Comparability
分类变量的离散程度与惩罚函数：推导、估计及可比性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：摘要属于分类变量离散程度的一般统计理论，未讨论分位数或经济分布效应。
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
分类变量的离散程度与惩罚函数：推导、估计及可比性
- 研究问题
- 如何系统定义分类随机变量的离散程度，并使基于不同惩罚函数的度量具备可解释的比较及估计性质？
- 方法与思路
- 作者以惩罚函数构造离散程度指标，研究有效估计与渐近性质，并借助主序理论讨论度量可比性的条件。
- 材料陈述的贡献
- 摘要称，文章统一处理指标构造、估计与可比性，并利用这些条件为一大类已有离散程度指标提供新解释。
- 阅读关注点
- 应核对惩罚函数的约束、有效估计的参照标准，以及主序条件能保证哪些比较、是否受类别数量影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供具体可比性条件和估计公式，不能认定不同指标可无条件互换。
原文摘要
Measures of dispersion for categorical random variables based on penalty functions play a central role in establishing relevant measures of association between such variables. The literature concerning these measures provides little systematic treatment of such aspects of these measures as comparability, efficient estimation, and large-sample properties. This article provides a systematic and rigorous construction of dispersion measures based on penalty functions. Efficient estimation procedures and asymptotic properties of estimates are examined. Conditions from majorization theory that ensure a meaningful comparability of dispersion measures based on penalty functions are discussed. A large class of familiar dispersion measures is then given a new interpretation using these conditions.