Small sample inference for probabilistic index models

مدل های شاخص احتمالی برای تولید آزمون های کلاسیک و رتبه بندی جدید می توانند با استفاده از مزایای اضافی آنها را با اندازه های اندازه گیری اثر تفسیر کنند. محبوبیت تست رتبه بندی برای نتیجه گیری کوچک نمونه، مدل های احتمالی احتمالی را نیز نامزدهای طبیعی برای مطالعات نمونه های کوچک می دانند. با این حال، در حال حاضر، استنتاج برای چنین مدل های مبتنی بر نظریه ی تابع تقارن است که می تواند تخمین های ضعیف از توزیع نمونه گیری را در صورت اندازه نمونه نسبتا کوچک باشد. یک نسخه کاهش یافته تعصب از راه انداز بوت استرپ و احتمال تجربی جک نویگ مورد بررسی قرار گرفته است. نشان داده شده است که کاربرد آنها منجر به بهبود شدید در استنتاج نمونه های کوچک برای مدل های شاخص احتمالی می شود و توجیه استفاده از چنین مدل هایی برای استنتاج آماری قابل اعتماد و آموزنده در مطالعات نمونه کوچک است.