From the Statistics of Data to the Statistics of Knowledge
从数据统计到知识统计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：摘要讨论通用符号数据分析与方法综述，没有所列经济计量细分方向的明确文本依据。
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…
从数据统计到知识统计
- 研究问题
- 当大型数据被压缩为列表、区间或分布等符号数据时，如何在保留原始知识的同时分析这些不同于单值观测的数据？
- 方法与思路
- 作者介绍符号数据概念并综述当时可用的分析方法，以统计学历史发展的类比讨论现有方法及其数学基础的不足。
- 材料陈述的贡献
- 摘要强调符号数据方法仍较稀缺，提出需要发展更丰富的方法体系及严格的数学统计基础，并未声称提供完整新估计方法。
- 阅读关注点
- 应核对符号数据的分类与生成机制、汇总导致的信息损失，以及综述中各方法的目标、适用条件和理论基础。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；这是对当时方法的概念与综述性讨论，不能当作当前研究现状或已验证的方法突破。
原文摘要
Increasingly, datasets are so large they must be summarized in some fashion so that the resulting summary dataset is of a more manageable size, while still retaining as much knowledge inherent to the entire dataset as possible. One consequence of this situation is that the data may no longer be formatted as single values such as is the case for classical data, but rather may be represented by lists, intervals, distributions, and the like. These summarized data are examples of symbolic data. This article looks at the concept of symbolic data in general, and then attempts to review the methods currently available to analyze such data. It quickly becomes clear that the range of methodologies available draws analogies with developments before 1900 that formed a foundation for the inferential statistics of the 1900s, methods largely limited to small (by comparison) datasets and classical data formats. The scarcity of available methodologies for symbolic data also becomes clear and so draws attention to an enormous need for the development of a vast catalog (so to speak) of new symbolic methodologies along with rigorous mathematical and statistical foundational work for these methods.