Estimation of Neutrosophic Population Mean Incorporating Auxiliary Information under Simple Random Sampling
本文提出并验证了一种用于总体均值的几乎无偏中性直觉估计量，该估计量结合了辅助信息，在处理模糊或不确定数据时，与传统方法相比具有更低的均方误差和更高的效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在统计学领域，研究人员经常试图推测一个群体中某个数值的平均值，例如一座城市的平均收入或一个地区的平均气温。为了使这些推测更加准确，他们经常使用“辅助信息”，这仅仅是指与第一个数据相关的第二种已知数据。例如，如果你想估计森林中树木的总数，你可能会使用森林的已知面积作为辅助，因为面积较大的区域通常包含更多的树木。传统方法在数据清晰且精确时表现良好。然而，现实世界往往是混乱的。测量结果可能是模糊的、不完整的或不确定的。一个温度读数可能是“20到22度之间”，因为传感器不够精确；或者调查响应可能是模棱两可的。标准的统计工具在处理这种模糊性时显得力不从心，往往会产生有偏差或不可靠的估计值。为了解决这个问题，科学家们开发了一个名为中性直觉统计学（neutrosophic statistics）的数学分支，它专门设计用于处理包含不确定性和不确定性的数据，将未知部分视为计算中的自然组成部分，而非被忽略的误差。
来自瓦拉纳西印度大学（Banaras Hindu University）和西姆比奥西国际大学（Symbiosis International University）的一个研究小组最近解决了在数据具有不确定性且存在有用的相关信息时，如何估计总体平均值的挑战。他们致力于创造一种新的数学工具，或称之为“估计量”，使其能够比现有方法更好地应对这种歧义。他们的目标是建立一个系统，利用关于相关变量的已知且不确定的信息，来改进对未知平均值的推测，即使这些数值本身并不精确。研究人员提出了一种新的“几乎无偏”估计量。简单来说，这意味着他们的方法旨在极其接近真实答案，仅带有极微小、几乎可以忽略不计的系统误差。他们通过结合不同的数学方法（包括比例法和指数调整法）构建了这个新工具，但将其进行了改造，使其能够在数值以范围而非单点形式表达的中性直觉框架下运行。
为了测试这个新工具是否真的有效，研究人员对其进行了两次严格的试验。首先，他们将其应用于四个存在不确定性的真实数据集。这些数据包括像英伟达（NVIDIA）和ServiceNow这样的主要科技公司的每日股票价格、跨越一个多世纪的历史气温记录，以及关于各地区自然增长率的人口统计数据。在每一个案例中，新估计量的表现都优于传统方法。对于英伟达的股票数据，新方法显著降低了估计误差，实现的效率比标准方法高出五倍以上。同样，对于气温记录，该工具的效率几乎是次优方法的两倍。研究人员使用一种称为“百分比相对效率”的指标来衡量这种成功，该指标比较了不同方法之间的优劣程度；他们的新估计量始终得分最高，证明了它能从同样混乱的数据中提取出更准确的信息。
该团队并未止步于现实世界的数据；他们还运行了一次大规模计算机模拟，以观察该工具在不同条件下的表现。他们生成了数千个模拟真实世界分布特征的人造数据集：其中一些是完美平衡且对称的，另一些则是偏斜或不对称的（这在自然现象中很常见）。他们测试了从小型群体到大型总体的各种样本量。在所有这些模拟场景中，新估计量持续展现出卓越的性能。无论底层数据是正态分布、偏态分布，还是遵循特定的对数模式，它都能始终产生更低的误差和更高的效率。模拟证实了该工具具有鲁棒性（稳健性），这意味着即使在数据表现异常的情况下，它依然能够保持良好的性能。
研究结果表明，在处理模糊、歧义或不完整的数据时，依赖传统的统计方法可能会导致不太准确的结论。研究人员发现，通过明确地承认并对数据中的不确定性进行数学建模，而不是试图将其强行转化为精确的数字，他们可以得出更清晰的总体平均值图景。他们的工作表明，这种新方法在难以实现精确度的领域特别有价值，例如环境监测、经济预测和复杂系统评估。通过使用这种新的几乎无偏估计量，分析师即使在信息并不完全清晰的情况下，也能做出更可靠的决策，将现实世界固有的不确定性转化为可以管理的计算环节，而非准确性的障碍。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。