Fisher Information and Tukey’s Linear Sensitivity Measure Based on Ordered Ranked Set Samples
Notice bibliographique
Résumé
(1995) derived the Fisher information and discussed the maximum likelihood estimation (MLE) of the parameters of a location-scale family $$ F\left( {\tfrac{{x - \mu }} {\sigma }} \right) $$ based on the ranked set sample (RSS). She found that a RSS provided more information about both μ and σ than a simple random sample (SRS) of the same size. We also focus here on the location-scale family. We use the idea of order statistics from independent and nonidentical random variables (INID) to propose an ordered ranked set sample (ORSS) and develop the Fisher information and the maximum likelihood estimation based on such an ORSS. We use logistic, normal, and one-parameter exponential distributions as examples and conclude that in all these three cases, the ORSS does not provide as much Fisher information as the RSS, and consequently the MLEs based on the ORSS (MLE-ORSS) are not as efficient as the MLEs based on the RSS (MLE-RSS). In addition to the MLEs, we are also interested in best linear unbiased estimators (BLUE). For this purpose, we apply another measure of information, viz., Tukey’s linear sensitivity. Tukey (1965) proposed linear sensitivity to measure information contained in an ordered sample. We use logistic, normal, one- and two-parameter exponential, two-parameter uniform, and right triangular distributions as examples and show that in all these cases except the one-parameter the RSS, and consequently the BLUEs based on the ORSS (BLUE-ORSS) are more efficient than the BLUEs based on the RSS (BLUE-RSS). In the case of one-parameter exponential, the ORSS has only slightly less information than the RSS with the relative efficiency being very close to 1.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».