利用蒙特卡洛模拟与多领域数据开发高效的有限总体均值中性估计量

《Scientific Reports》：Development of an efficient neutrosophic estimator for finite population mean using Monte Carlo simulation and multi-domain data

　　

摘要

传统的统计估计量依赖于确定性数据，因此当观测值不精确或不确定时，这些估计量就失效了。中性统计学通过将观测值表示为\({Z}_{N}=a+bI\)的形式来克服这一问题，其中“a”代表确定部分，“bI”代表不确定部分。在本文中，我们提出了一种用于在不确定性条件下估计总体均值的新颖中性统计估计量。我们推导出了该估计量的偏差和均方误差表达式，并将其效率与现有的传统估计量及中性统计估计量进行了比较。通过在中性统计框架内应用标准的大样本近似方法，确定了该估计量的理论特性。此外，我们还明确了效率要求，以便找出该估计量优于本文所分析的其他估计量的情形。我们利用蒙特卡洛模拟以及三个现实世界案例来评估该估计量的性能，这些案例涉及医学诊断（在胃肠病学中利用血压数据估计体温）、网络流量分析，以及COVID-19大流行期间收集的纵向销售数据。结果表明，在所研究的总体和模拟条件下，该估计量相比其他竞争估计量具有更低的均方误差以及更高的相对效率。