On Estimating Distribution Functions Using Nomination Samples
利用提名样本估计分布函数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：研究对象是通用抽样下的分布函数估计，未涉及经济变量的分位数或分布效应。
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
利用提名样本估计分布函数
- 研究问题
- 每个独立子样本仅保留最大值且子样本大小不同时，如何利用这种抽样结构估计共同总体的分布函数？
- 方法与思路
- 作者对独立最大值的观测排序作条件化，在平方误差损失下构造最小二乘估计，并得到乘积形式的分布函数估计量。
- 材料陈述的贡献
- 摘要称该乘积估计量具有一致性，所展示的均方误差与 Kolmogorov–Smirnov 距离比较支持其相对非参数极大似然法的表现。
- 阅读关注点
- 应核对子样本大小需如何获知、条件化与风险最小化的具体含义，以及一致性条件和比较图所涵盖的抽样配置。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；估计公式与比较范围未提供，不能据此判断所有抽样配置下的优势或推断刊本变化。
原文摘要
A nomination sample consists of independently distributed maxima from subsamples of a population with the same underlying distribution. Nomination sampling occurs when only the item with largest value is chosen from each of n independent subsamples. If the subsamples differ in size, then these observed order statistics are not identically distributed, so estimation schemes built on assumptions of independently and identically distributed (iid) data are most likely inappropriate. But we can exploit the structure of the data from the nomination sample by conditioning on the observed order of the independent maxima, and form a least squares estimator of the distribution function that minimizes risk with respect to squared error loss using an approach similar to one found in Ferguson, where the case for iid data is presented. The result is a product estimator that is consistent and compares favorably with the nonparametric maximum likelihood estimator proposed by Boyles and Samaniego, as indicated by graphs of mean squared error and Kolmogorov-Smirnov distance.