Effective Estimation Methods Through Ranked Set Sampling for Mixture Model: Industrial and Survival Applications
Notice bibliographique
Résumé
The sampling strategy has a considerable impact on the representativeness of the sampled data and can lead to incorrect estimates if not carefully chosen. An improved method over more conventional simple random sampling (SRS) is ranked set sampling (RSS). The RSS is more efficient, reducing the number of measurements needed for a desired level of precision, especially in challenging data collection scenarios. The Monsef distribution is a recent mixture lifetime model that has demonstrated effectiveness in modeling various real-world datasets. Several mathematical aspects of the Monsef distribution include quantiles, upper incomplete moments, lower incomplete moments, stochastic ordering, and extropy measures. This work investigates the use of RSS in conjunction with several traditional estimation techniques to estimate the parameters of the Monsef distribution. Fifteen different estimation procedures are investigated, including maximum product spacing, some minimum spacing distance methods, the Kolmogorov method, ordinary least squares, maximum likelihood, and weighted least squares. To assess the performance of the estimation techniques for a range of sample sizes under perfect ranking conditions and both sampling techniques, a simulation scenario is conducted. The partial and total ranks of numerous estimates are displayed to determine the best estimation approach. According to simulation results, the maximum likelihood and maximum product spacing approaches consistently outperform other methods in evaluating the estimated quality for both RSS and SRS. To demonstrate the feasibility of the different methods, three authentic datasets from various fields are examined.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».