Robust Estimation in Finite Populations I
有限总体中的稳健估计（一）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：摘要属于有限总体抽样与模型辅助预测理论，没有因果、面板或经济预测应用的明确内容，故不选择领域细分。
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
有限总体中的稳健估计（一）
- 研究问题
- 在有限总体抽样中，哪些具体样本特征能使多个超总体模型导向同一最佳线性无偏估计，随机抽样应如何理解？
- 方法与思路
- 作者采用最小二乘预测方法，将关注点放在具体样本的特征上，研究多个超总体模型共享最优估计量的样本。
- 材料陈述的贡献
- 摘要称考察了多种超总体模型产生相同最优线性无偏估计的样本，并据此讨论随机抽样；具体稳健性结论未展开。
- 阅读关注点
- 应核对共享最优估计量的样本条件、超总体模型集合、预测目标，以及针对具体样本的结论如何关联抽样设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；样本条件和模型范围未说明，不能认定方法对任意模型失配或抽样设计都稳健。
原文摘要
This is an application of a least-squares prediction approach to finite population sampling theory. One way in which this approach differs from the conventional one is its focus on characteristics of particular samples rather than on plans for choosing samples. Here we study samples in which many superpopulation models lead to the same optimal (BLU) estimator. Random sampling is considered in the light of these results.