A penalized logistic generalized regression estimator
惩罚化逻辑广义回归估计量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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦复杂调查抽样与有限总体比例估计，给定列表中没有直接对应的细分方向。
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…
惩罚化逻辑广义回归估计量
- 研究问题
- 复杂抽样调查拥有大量辅助变量时，如何估计有限总体比例，并控制无关辅助变量对模型辅助估计效率的影响？
- 方法与思路
- 作者在模型辅助框架中提出惩罚化逻辑广义回归估计量，使用lasso或ridge约束辅助变量，并结合渐近理论、模拟和森林调查实例。
- 材料陈述的贡献
- 摘要称为惩罚回归系数及总体比例估计量建立中心极限定理，模拟显示真实模型稀疏时惩罚可提高效率，并展示调查应用。
- 阅读关注点
- 应核对复杂抽样设计、惩罚参数和辅助资料的要求，以及中心极限定理的条件、设计一致性和模拟中稀疏性的具体设定。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整抽样条件、调参方法或效率改善的数值幅度。
原文摘要
Under a model-assisted framework, a penalized logistic generalized regression estimator is developed to estimate a finite population proportion from complex survey data and auxiliary data. The proposed estimator controls the impact of unnecessary auxiliary variables through a lasso or ridge penalty. A central limit theorem is derived for the penalized regression coefficients and for the penalized logistic generalized regression estimator. Through simulations, it is shown that including the penalty increases the efficiency of the estimator when the true model is sparse. An example using United States Forest Service data demonstrates the applicability of the estimator for surveys with many available auxiliary variables.