Bootstrap Inference for the Finite Population Mean under Complex Sampling Designs
复杂抽样设计下有限总体均值的 Bootstrap 推断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：摘要研究调查抽样与有限总体均值推断，未涉及处理效应或其他给定细分领域。
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…
复杂抽样设计下有限总体均值的 Bootstrap 推断
- 研究问题
- 复杂调查抽样下，如何为有限总体均值构造反映抽样设计的 bootstrap 推断，避免常规重抽样造成错误分析？
- 方法与思路
- 作者先生成 bootstrap 有限总体，再沿用原抽样设计抽取样本并进行学生化，以 Edgeworth 展开分析推断精度。
- 材料陈述的贡献
- 摘要称方法覆盖多类抽样设计并具有二阶准确性；模拟中的覆盖率优于常用 Wald 方法，尤其在样本较小时。
- 阅读关注点
- 应核对各设计下有限总体的生成方法、学生化估计、二阶准确性条件，以及覆盖率比较采用的样本规模和总体设定。
- 阅读边界
- 仅据 Crossref 摘要；二阶展开条件和模拟数值未说明，所述覆盖率优势不能外推至所有复杂抽样设计或总体。
原文摘要
Abstract Bootstrap is a useful computational tool for statistical inference, but it may lead to erroneous analysis under complex survey sampling. In this paper, we propose a unified bootstrap method for stratified multi-stage cluster sampling, Poisson sampling, simple random sampling without replacement and probability proportional to size sampling with replacement. In the proposed bootstrap method, we first generate bootstrap finite populations, apply the same sampling design to each bootstrap population to get a bootstrap sample, and then apply studentization. The second-order accuracy of the proposed bootstrap method is established by the Edgeworth expansion. Simulation studies confirm that the proposed bootstrap method outperforms the commonly used Wald-type method in terms of coverage, especially when the sample size is not large.