Optimal Sample Allocation for Normal Discrimination and Logistic Regression Under Stratified Sampling
分层抽样下正态判别与Logistic回归的最优样本配置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：摘要讨论统计分类的抽样配置，Logistic回归并未用于明确的经济离散选择问题。
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
分层抽样下正态判别与Logistic回归的最优样本配置
- 研究问题
- 对具有共同协方差矩阵的两个多元正态总体，分层抽样时怎样分配样本，才能降低判别或Logistic回归的预期错误遗憾？
- 方法与思路
- 作者以最小化预期错误遗憾为标准，分别针对Fisher线性判别与Logistic回归求出渐近最优的两总体样本配置。
- 材料陈述的贡献
- 摘要称，最优配置与均衡配置的预期错误遗憾通常相差较小，因此作者建议在所述问题中采用两个总体等样本量。
- 阅读关注点
- 应核对错误遗憾的定义、共同协方差及正态假设的作用，以及最优配置与均衡配置差异较小结论的参数范围。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未提供差异数值或有限样本结果，等样本量建议受所述模型和目标函数限制。
原文摘要
For two multivariate normal populations with a common covariance matrix and stratified sampling, we consider two methods of estimation—Fisher's linear discriminant function and logistic regression. Intuition suggests that taking half of the observations from each population is a reasonable design choice. Based on minimizing the expected error regret, asymptotic optimal sample allocations are found. The results indicate that the differences in the expected error regret for optimal versus balanced allocation are generally quite small. It is recommended that equal sample sizes for the two populations be used for these problems.