论文部分内容阅读
获取具有代表性或包含更多总体信息的样本是抽样设计理论研究的重要内容,为了实现基于这种目的下的单目标优化或双目标优化,产生了很多新的抽样方法,排序集抽样(RSS)正是其中一种.RSS进一步考虑了在某些实际情况中由于费用和时间等因素的限制,样本不易被测量但是易于排序的情况.目前,RSS下的参数研究作为一个重要问题,已经引起诸多学者的关注.本文致力于研究RSS下log-logistic分布中刻度参数α和形状参数β的估计问题.首先考虑了 RSS下单参数未知或两参数均未知时α和β的极大似然估计(MLE),为进一步寻找更优的样本,根据参数性质分别得到了单参数未知时基于Fisher信息量最大化的排序集抽样(RSSF)下α和β的MLE,在完美排序和排序出错的情况下模拟了这些估计量的相对效率；其次考虑了 RSS下单参数未知或两参数均未知的情形下β的修正最优线性无偏估计(MBLUE)以及RSSF下单参数未知时β的MBLUE;最后为了降低排序出错的影响,考虑了动态极值排序集(MERSS)下,单参数未知时α和β的MBLUE,两参数均未知时α和β的ad hoc估计(AHEs)和MLE.所得模拟结果表明RSS下的估计量要优于同等条件时SRS下的估计量.