Inference for the Type II generalized logistic distribution under progressive Type II censoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Recently, in order to get closer agreement at the extremes, skewed distributions are playing an important role in various research studies. The generalized logistic distribution (GLD) of Type II, which is indexed by one shape parameter, is introduced here to extend the scope of this distribution in some asymmetrical studies. Several properties of this distribution in relation to other probability distributions are stated. Furthermore, the maximum-likelihood (ML) method and an approximate ML method are used to derive the point estimators of the parameters based on progressive Type II censoring. A wide range of sample sizes and progressive-censoring schemes are considered in a simulation study to see the performance of estimates of location and scale parameters of the Type II GLD. The coverages probability of the pivotal quantities (for location and scale parameters) based on asymptotic normality are shown to be unsatisfactory, especially when the effective sample size is small. To improve the coverage probabilities, we suggest the use of unconditional simulated percentage points for the construction of confidence intervals. Two numerical examples are presented to illustrate the methods of estimation discussed here. Keywords: Generalized logistic distributionProgressive type II censoringMaximum-likelihood estimatorMonte carlo simulationPivotal quantity Acknowledgements The authors express their sincere thanks to the Associate Editor, Prof. Sneh Gulati and referees for their constructive criticisms and excellent suggestions which led to a considerable improvement in the presentation of this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle