Projecting From Advance Data Using Propensity Modeling: An Application to Income and Tax Statistics
利用倾向建模从初步数据推算：收入与税收统计应用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：摘要中的倾向分数用于迟报样本的重新加权，未讨论处理效应、面板或离散选择行为，所列细分方向缺乏直接依据。
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…
利用倾向建模从初步数据推算：收入与税收统计应用
- 研究问题
- 当较晚提交的税表尚未进入初步样本时，能否通过重新加权，使收入和税收统计的先行估计更接近全部税表处理后的最终估计？
- 方法与思路
- 作者提出两种方法：为初步样本中的每份税表预测迟报倾向，再按倾向分数进行后分层；利用1982年的初步与完整样本评估表现。
- 材料陈述的贡献
- 摘要称，两种新方法得到的先行估计通常更接近最终估计，并讨论倾向建模用于单位无应答、抽样框覆盖不足和统计匹配的价值。
- 阅读关注点
- 阅读时应核对迟报倾向模型使用的信息、两种方法的差异、后分层与权重构造，以及估计接近程度如何衡量、哪些统计量仍有偏差。
- 阅读边界
- 摘要未说明两种方法的具体差异、误差幅度及不确定性处理；单一年份的税表结果不足以判断其在其他抽样问题中的效果。
原文摘要
This article proposes and evaluates two new methods of reweighting preliminary data to obtain estimates more closely approximating those derived from the final data set. In our motivating example, the preliminary data are an early sample of tax returns, and the final data set is the sample after all tax returns have been processed. The new methods estimate a predicted propensity for late filing for each return in the advance sample and then poststratify based on these propensity scores. Using advance and complete sample data for 1982, we demonstrate that the new methods produce advance estimates generally much closer to the final estimates than those derived from the current advance estimation techniques. The results demonstrate the value of propensity modeling, a general-purpose methodology that can be applied to a wide range of problems, including adjustment for unit nonresponse and frame undercoverage as well as statistical matching.