教学评价与辐射数据中有限总体分布函数的增强型动态评估方法

《Journal of Radiation Research and Applied Sciences》：Enhanced dynamic assessment approaches for finite population distribution functions in teaching evaluation and radiation data

　　

统计推断中最基本的挑战之一是总体分布函数（Distribution Function, DF）的估计，在研究领域中，了解研究变量的变异性、不确定性和风险尤为重要。该论文旨在利用与研究变量本身相关的辅助变量来估计总体分布函数。研究人员提出了一种改进的估计量，适用于利用辅助变量已知总体参数的合适抽样框架下应用。所提出的估计量通过最小化变异性和偏差，相对于传统经验分布函数估计量而言，设计得更具效率。研究人员采用一阶近似推导估计量的理论特征，如偏倚（Bias）和均方误差（Mean Squared Error, MSE），以评估其统计有效性。研究结果表明，所提出的估计量在最小化均方误差和获得更高百分比相对效率（Percentage Relative Efficiency, PRE）方面始终比传统估计量更有效，尤其是在研究变量和辅助变量之间相关性较高时。结果表明，补充信息的加入将对辐射暴露分布的估计大有裨益。这暗示着对辐射风险评估、环境监测和公众健康政策具有重要影响，因为暴露水平的准确估计对于决策制定和监管的有效运作至关重要。

该研究由Anis Ben Ghorbal撰写，发表于《Journal of Radiation Research and Applied Sciences》，聚焦于利用辅助信息改进有限总体分布函数（DF）的估计方法，并将其应用于辐射科学领域。

研究背景方面，总体分布函数的估计是统计理论与实践中的一项核心议题，它能够提供关于研究变量行为、变异性和结构的详细信息，这与仅关注均值或方差等特定参数的点估计形成对比。在辐射科学等实际科学领域，了解变量的分布范围和扩散程度对于确定健康风险、制定安全措施和建立监管政策至关重要。然而，辐射剂量的测量往往面临困难、成本高昂甚至具有危险性，特别是在大规模环境或职业研究中。此外，测量数据通常稀疏、不完整，且可能存在观测误差，这导致直接使用研究变量的观测值进行总体分布函数估计时，可能产生低效或偏倚的结果。因此，统计学家一直在探索替代方案以提高估计精度，同时降低成本和努力程度。尽管辅助信息在抽样调查中的均值和总量估计中已有广泛应用，但将其应用于分布函数估计的研究相对较新。辅助信息的质量以及研究变量与辅助变量之间的关联程度直接影响辅助估计量的有效性。

研究人员针对这一问题，基于Mishra等人（2024）提出的对数型估计量，构建了一种新的改进估计量。该估计量的核心结构为：F??_Proposed = ψ₁F?_y[(1/2)(F_x/F?_x + F?_x/F_x)][1 + log(F_x/F?_x)]^ψ₂，其中ψ₁和ψ₂为待优化的参数。研究人员利用泰勒级数展开进行一阶近似，推导了该估计量的偏倚和最小均方误差的理论表达式，并通过求解最优参数ψ_1(opt)和ψ_2(opt)，获得了估计量的最小均方误差。

该研究采用的主要关键技术方法包括：第一，基于简单随机抽样不放回（Simple Random Sampling Without Replacement, SRSWOR）的抽样框架；第二，利用指示函数（Indicator Function）I(Y_i ≤ Y)和I(X_i ≤ X)构建总体分布函数的估计；第三，采用泰勒级数展开进行一阶近似，推导估计量的理论性质；第四，通过最小化均方误差确定最优参数；第五，利用均方误差（MSE）和百分比相对效率（PRE）作为评估估计量性能的指标；第六，采用两组来自辐射科学与工程的实际数据集进行数值验证，其中Population-I和Population-II的数据来源均为Alomani等人（2025）关于药材甲虫（Stegobium paniceum）物种及其后代的研究。

研究结果部分，研究人员在四种情境下对各估计量的性能进行了比较分析。

在Population-I的分析中，研究人员考察了四种基于不同指示函数条件的情境。Situation-I设定I(Y_i ≤ 106)和I(X_i ≤ 106.1)，研究发现所提出的估计量具有最低的均方误差（0.01589324），远低于常规估计量（0.03773243）及其他竞争估计量，包括比率估计量（0.1422222）、乘积估计量（0.0493424）和回归估计量（0.02844444）。在Situation-II中，I(Y_i ≤ 99)和I(X_i ≤ 91)，所提出的估计量再次取得最小均方误差（0.0106188），优于回归估计量和MPPS估计量（0.01269841）以及K类估计量。Situation-III设定I(Y_i ≤ 95)和I(X_i ≤ 73)，所提出的估计量保持高效，均方误差为0.02534932，低于常规估计量（0.03555556）及其他多数估计量。在Situation-IV中，I(Y_i ≤ 121)和I(X_i ≤ 124)，所提出的估计量取得最低的整体均方误差（0.006271037），表明其参数估计精度显著优于常规估计量（0.02902494）及其他估计量。研究人员还提供了百分比相对效率数据，结果显示所提出的估计量在所有情境中均表现最佳，PRE值分别为237.41、375.83、140.26和462.84。

在Population-II的分析中，研究人员同样考察了四种情境。Situation-I设定I(Y_i ≤ 94.55)和I(X_i ≤ 113)，所提出的估计量均方误差为0.01930263，低于常规估计量（0.03789474）。Situation-II中I(Y_i ≤ 83.50)和I(X_i ≤ 113），所提出的估计量均方误差为0.02533738。Situation-III设定I(Y_i ≤ 64)和I(X_i ≤ 99.75），所提出的估计量均方误差为0.02560924。Situation-IV中I(Y_i ≤ 122.20)和I(X_i ≤ 121.20），所提出的估计量取得最小均方误差0.01337971。对应的PRE值分别为196.32、155.79、129.48和221.27，再次证实所提出的估计量在所有考虑情境中均具有最高效率。

研究结论部分，该论文致力于利用辅助信息计算总体分布函数，并特别将其应用于辐射科学领域。研究展示了传统估计技术（包括经验分布函数）的局限性，尤其是在数据成本高昂、稀缺或测量过程存在约束的情况下。在此基础上，研究提出了改进的估计量，通过整合与研究变量相关联的辅助变量来显著提高估计性能。统计结果表明，所提出的估计量具有理论优势，在适当条件下其偏倚和均方误差均有所降低。通过利用辅助信息，这些估计量比传统技术更具效率。模拟实验的结果也证实了所提出方法的有效性，特别是在研究变量与辅助变量之间关系较强的情况下。

研究进一步指出，该方法论在辐射科学中的实用性尤为突出。辐射暴露分布的准确测定对于健康危害评估、风险群体识别和政策制定至关重要。利用环境因子、暴露时长和空间细节等辅助数据，可增强这些情境中统计推断的有效性。总体而言，该论文表明，在复杂和资源受限的环境中，辅助信息的利用是改进总体分布函数近似的一种有效机制。