存在结时的无偏非参数相关性估计量
统计方法学
2023-05-02 v1
摘要
在扩展实数线上所有带结排列的定义域上，定义了 Kemeny 距离的内积 Hilbert 空间表述，并在同质独立同分布样本上导出无偏最小方差（Gauss-Markov）相关性估计量。本文中，我们构造并证明了将这一线性拓扑推广至 Spearman 的 与 Kendall 的 所需的必要条件，表明这两个空间在实际数据域上既是有偏的也是低效的。为 Kemeny 估计量定义了概率分布，并给出了有限样本的 Studentisation 调整。本工作使得一种通用线性模型对偶性可被识别为许多有偏与无偏估计情景的唯一一致解。
引用
@article{arxiv.2305.00965,
title = {An unbiased non-parametric correlation estimator in the presence of ties},
author = {Landon Hurley},
journal= {arXiv preprint arXiv:2305.00965},
year = {2023}
}