Bias Robust Estimation in Finite Populations Using Nonparametric Calibration
利用非参数校准进行有限总体偏差稳健估计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：摘要核心是一般抽样调查中的有限总体预测与模型误设校准，分布函数应用不足以确认所列分布效应方向。
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…
利用非参数校准进行有限总体偏差稳健估计
- 研究问题
- 在抽样调查中预测有限总体函数总量时，如何减轻工作模型设定错误引起的偏差，并处理稳健性与效率之间的权衡？
- 方法与思路
- 作者先用非参数回归构造稳健但低效的总体总量预测量，再针对其在工作模型下的偏差进行校准，并用于澳大利亚肉牛农场分布预测。
- 材料陈述的贡献
- 摘要提出自动处理工作模型误设偏差的校准思路，并展示有限总体分布函数预测应用；同时明确指出初始稳健预测量存在效率损失。
- 阅读关注点
- 应核对稳健性的具体含义、工作模型下的偏差校准如何实施，以及抽样机制、非参数平滑选择和校准后的偏差与效率表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供稳健性定理、校准后效率或数值比较，不能声称该方法全面消除误设影响。
原文摘要
A Standard problem in sample survey inference is that of predicting the finite population total H of a function h(y) of a random variable Y. The model-based approach to this problem first defines a working model ξ for Y and then predicts H by estimating its expectation under ξ, conditional on the sample values of Y. This approach leads to biased predictions if ξ is incorrect. We explore an automatic solution to this misspecification bias that uses nonparametric regression to define a robust (but inefficient) predictor of H, and then calibrates this predictor for its bias under ξ. An application to prediction of the finite population distribution function of a population of Australian beef farms is presented.