A unified framework for studying parameter identifiability and estimation in biased sampling designs
有偏抽样设计中参数可识别性与估计的统一框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般有偏抽样的识别与似然估计，未提供归入所列具体计量方向的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
有偏抽样设计中参数可识别性与估计的统一框架
- 研究问题
- 有偏抽样设计下哪些参数可以识别，以及某些可识别参数的信息不足时，如何减轻其估计不稳对主要参数估计的影响？
- 方法与思路
- 作者以联合密度的优势比表示建立统一框架，研究可识别参数的似然估计，并提出部分惩罚似然处理信息不足的问题。
- 材料陈述的贡献
- 摘要称该框架涵盖实践中多数相关设计，扩展前瞻与回顾似然的等价结果；模拟提示部分惩罚方法表现良好。
- 阅读关注点
- 应核对各抽样设计如何纳入框架、参数识别的具体条件、似然等价性的适用范围，以及部分惩罚项的选择依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；可识别性不保证有限样本估计可靠，具体条件与模拟结果未说明，也不能推断刊本变化。
原文摘要
Based on the odds ratio representation of a joint density, we propose a unified framework to study parameter identifiability in biased sampling designs. It is shown that most of these designs encountered in practice can be reformulated within the proposed framework and, as a result, the question of parameter identifiability can be largely clarified. Estimation of the identifiable parameters is considered and traditional results on the equivalence of the prospective and retrospective likelihoods are extended. Information contained in data on certain identifiable parameters is often very limited. Such parameters can be poorly estimated by the likelihood approach with practically attainable sample sizes, which can substantially affect the estimates of parameters of primary interest. A partially penalized likelihood approach is proposed to address this. Simulation results suggest that the proposed approach has good performance.