A comparison of methods for confidence intervals
A. D. Bukin
以低统计量寿命估计为例，比较了用Neyman频率论方法和ΔL=1/2似然法构造的置信区间。
Comparisons are carried out of the confidence intervals constructed with Neyman's frequentist method and with the ΔL=1/2 likelihood method, using the example of low-statistics life time estimates.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Metrology and 1/f noise: linear regressions and confidence intervals in flicker noise context
1/f噪声非常常见，但很难以一种简单的方式处理。在回顾了强相关噪声的主要特征之后，本文将确定算术平均值和线性漂移参数的置信区间的关系。将给出受1/f噪声影响的实际测量序列的处理的完整示例。
On the Confidence Interval for the parameter of Poisson Distribution
讨论了通过寻找Poisson分布参数的置信区间的界来构造Poisson分布连续模拟的可能性。本文还证明了观测值$\hat x$的泊松分布参数的真值具有Gamma分布，其尺度参数等于1，形状参数等于$\hat x$。数值构造的置信区间的结果。
Optimal confidence intervals for bounded parameters (a correct alternative to the recipe of Feldman and Cousins)
要估计的参数的先验界被纳入频率论方法中的置信区间，以一种简单和最佳的方式，确保非边界值的最佳分辨率以及估计器的非物理值的鲁棒性。
Application of Conditioning to the Gaussian-with-Boundary Problem in the Unified Approach to Confidence Intervals
Roe和Woodroofe（RW）建议将某些条件概率纳入“统一方法”以构建置信区间，这一方法先前由Feldman和Wellington（FC）描述。RW用FC论文中的两个原型问题之一，即有背景的泊松过程，说明了这种调节技术。主要影响在置信带的上曲线上。在本文中，我们试图将这种风格的空调的其他原型问题，高斯误差与有界的物理区域。我们发现，置信带上的较低曲线也以不期望的方式显著移动。
Calculating a confidence interval on the sum of binned leakage
计算错误分类结果的预期数量是罕见事件搜索特别感兴趣的标准问题。Clopper-Pearson方法允许计算错误分类量的经典置信区间，如果数据都来自相同的二项概率分布。然而，数据通常通过将其分解为几个箱来更好地描述，每个箱由不同的二项分布表示。我们描述并提供了一种算法，用于计算一个经典的置信区间的预期总数量的误分类事件从几个箱子，校准数据的基础上，具有相同的概率误分类的一个bin由bin的基础上。我们的方法避免了计算密集的多维搜索，通过引入拉格朗日乘子和执行标准的根查找。该方法的时间复杂度仅为箱数的二次方，并且产生的置信区间仅略微保守。
Confidence intervals with a priori parameter bounds
我们回顾了构造置信区间的方法，占先验信息的单侧约束参数估计。我们表明，所谓的方法的灵敏度限制产生一个正确的解决方案的问题。导出了具有非负估计参数的连续分布和离散分布，特别是具有背景的泊松过程的解。对于这两种情况下，最好的上限构造，占先验信息。提供了一个表，其中包含泊松分布参数的置信区间，该表正确地说明了背景已知值的信息，以及用于计算任何置信水平和背景幅度的置信区间的软件（该软件可通过互联网免费下载）。
Binomial and ratio-of-Poisson-means frequentist confidence intervals applied to the error evaluation of cut efficiencies
在实验粒子物理实践中，对由切割效率引起的误差的估计是一个常见的问题。具体而言，需要评估的效率削减背景去除，当他们在一个信号-免费-背景-只有能量窗口进行测试，起源于一个统计问题，发现其自然的框架中的两个经典的解决方案的丰富的家庭，密切相关的问题，即确定置信区间的参数的二项式比例和泊松比的手段。在本文中，首先从传统的角度来解决这个问题，然后自然地演变为引入非标准置信区间的二项式和泊松的情况下，特别强调的是通过应用的似然比排序传统的奈曼处方的置信限确定的区间。由于它们在减少的长度和覆盖特性方面的吸引力，新的间隔非常适合作为标准Clopper-Pearson PDG间隔的有趣替代。
Response to Comment from Robert Cousins on Confidence intervals for the Poisson distribution
本文是对 Robert Cousins 关于泊松分布置信区间评论的回复，作者主张在讨论描述性统计时，在似然中包含非物理参数值是有用的。
Confidence Intervals from One One Observation
罗伯特·马科尔的令人惊讶的结果，从一个单一的观察，有可能有有限长度的置信区间的参数的位置-尺度模型，是重新生产和扩展。包括两个以前未发表的修改。首先，Herbert Robbins的非参数置信区间。其次，我介绍了一种技术，获得有限长度的尺度参数的对数度量的置信区间。保留字：理论/基础，估计，先验分布，非参数和半参数推理几何，置信区间，位置-尺度模型
What is the Usefulness of Frequentist Confidence Intervals?
讨论了以下问题：“为什么置信区间是一个热门话题？””置信区间是客观的吗？”;“覆盖范围有什么用？如何从实验中获得有用的信息？“;”置信水平必须独立于数据的知识来选择？''.
Multiplicative scale uncertainties in the unified approach for constructing confidence intervals
我们已经研究了如何在估计的检测效率的不确定性影响的90%置信区间的统一方法来构建置信区间。这项研究已经进行了实验中检测到的事件的数量是大的，可以描述的高斯概率密度函数。我们还假设检测效率具有高斯概率密度，并研究相对不确定度$σ_ε$在0到30%之间的范围。我们发现，置信区间提供了适当的覆盖范围在很宽的信号范围内，并从忽略尺度不确定性与二次依赖于$σ_ε$的区间平滑和连续地增加。
Comments on the Unified approach to the construction of Classical confidence intervals
本文评论了所谓的"构造经典置信区间的统一方法"的性质，其中置信区间是用似然比作为序量在Neyman构造中计算的。特别是，两个主要结果的一份文件，由费尔德曼和Wellhins（F & C）进行了讨论。结果表明，在中心区间的情况下，所谓的翻转问题，发生在特定的情况下，实验者决定引用一个标准的上限或置信区间取决于测量，可以很容易地避免通过选择适当的置信水平的标准上限和置信区间。在F & C文件中，"上限"被定义为置信区间的上边缘，其下边缘与物理极限重合。有了这个上限的定义（F & C极限），在使用似然比作为排序量的方法中，双边置信区间会随着信号变弱而自动转换为"上限"（统一方法）。在本文件中指出，这种行为是不是一个特殊的属性，这种方法，因为其他排序原则，如中心间隔，对称间隔或最高概率间隔的方法，表现出相同的行为。在F & C文件中提出了统一方法作为触发问题的解决方案。这可能表明F & C限值是标准上限。为了避免任何误解，本文建议将F & C极限称为“置信区间的上边缘”，即使其下边缘与物理极限重合。
Confidence Intervals for Poisson Distribution Parameter
给出了在背景事件存在的情况下，用已知泊松分布参数值构造信号事件泊松分布参数置信区间的数值方法的结果。结果表明，所使用的程序具有贝叶斯和频率论的解释。本文还讨论了构造泊松分布的连续模拟来寻找泊松分布参数的置信区间界的可能性。
A Bayesian approach to evaluate confidence intervals in counting experiments with background
在本文中，我们提出了一个程序来评估贝叶斯置信区间计数实验中的信号和背景波动描述的泊松统计。当该方法应用于上限的计算所获得的结果也将被说明。
Confidence intervals for the parameter of Poisson distribution in presence of background
本文给出了在背景为已知参数值的泊松分布的情况下，构造信号的泊松分布参数的置信区间的数值方法的结果。结果表明，所描述的过程具有贝叶斯和频率论的解释。
When searching for new physics effects, collaborations will often wish to publish upper limits and intervals with a lower confidence level than the threshold they would set to claim an excess or a discovery. However, confidence intervals are typically constructed to provide constant coverage, or probability to contain the true value, with possible overcoverage if the random parameter is discrete. In particular, that means that the confidence interval will contain the $0$-signal case with the same frequency as the confidence level. This paper details a modification to the Feldman-Cousins method…
A Comment on the Roe-Woodroofe Construction of Poisson Confidence Intervals
我们认为Roe-Woodroofe建设的情况下，泊松分布的变量的置信区间的均值是一个已知的背景和一个未知的非负信号的总和。我们指出，区间没有覆盖在通常意义上，但可以有这样的修改，不影响可信度和其他可取的功能，这个有吸引力的建设。一个类似的修改，可以用来提供覆盖到最近提出的建设由Gaussian-with-boundary问题。
Limits and Confidence Intervals in the Presence of Nuisance Parameters
我们研究的频率属性的置信区间计算的方法被称为统计学家的个人资料Likelihood。可以看出，这些区间的覆盖范围是令人惊讶的好，在很宽的范围内的可能的参数值的重要类别的问题，特别是当有额外的滋扰参数与统计或系统误差。程序可用于计算这些间隔。
Computation of confidence intervals for Poisson processes
我们提出了一个算法，它允许一个快速的数值计算的Feldman-Schoins的置信区间的泊松过程，即使当背景事件的数量是相对较大的。该算法采用了一个适当的治疗的奇异性，出现的结果，离散的变量。
The relation between frequentist confidence intervals and Bayesian credible intervals
我们调查频率和贝叶斯方法之间的关系。也就是说，我们找到了“频率论”的Bayes先验π_{f}（λ，x_{obs}）= - \frac{\int_{-\infty}^{x_{obs}}\frac{\partial f(x,λ)}{\partial λ}dx}{f(x_{obs},λ)}（f（x，λ）是概率密度），在这个先验下，频率论和Bayes方法确定置信区间的结果是一致的。在许多情况下（但并不总是），再现频率论结果的“频率论”先验与杰弗里斯先验一致。
Enhancing the physical significance of Frequentist confidence intervals
结果表明，所有的频率论方法是等效的，从统计的角度来看，但物理意义的置信区间取决于该方法。提出了贝叶斯定序方法，并在有背景的泊松过程情形下与统一方法进行了比较。一些批评这两种方法的答案。也有人认为，一般的频率论方法是不需要的。
About the proof of the so called exact classical confidence intervals. Where is the trick?
在这篇笔记中，我将讨论频率论置信区间的“证明”，并说明它在逻辑上意味着什么，即给定一个实验观测（无）的物理量的值。
The Power of Confidence Intervals
我们考虑的权力拒绝假值的参数在频率论方法的置信区间的计算。我们将功率与非负参数的置信区间的物理意义（可靠性）联系起来。我们表明，置信区间（上限）与（偏置）的方法，在边界附近有较大的权力，在测试参数对较大的替代品和小功率测试参数对较小的替代品是物理上更显着的。考虑到最近提出的方法与正确的覆盖，我们表明，上限的物理意义是最小的统一方法和最高的极大似然估计方法。我们说明我们的论点在特定情况下的有界高斯分布和泊松分布与已知的背景。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。