Jackknife Variance Estimation for Nearest-Neighbor Imputation
最近邻插补的刀切法方差估计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：摘要属于调查抽样中插补后的方差估计，未直接涉及所列经济计量细分方向。
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…
关注这篇论文的作者
最近邻插补的刀切法方差估计
- 研究问题
- 样本调查使用最近邻插补补偿无应答后，如何正确估计方差，为什么直接刀切、调整刀切或每次重新插补会出现不同方向的偏差？
- 方法与思路
- 作者分析多种刀切程序在最近邻插补下的偏差，提出两种部分重新插补方案及一种部分调整方案，并考察渐近与有限样本性质。
- 材料陈述的贡献
- 摘要称，朴素刀切严重低估方差，而所讨论的调整或全部重插补程序严重高估；三个新估计量具有渐近无偏性和一致性。
- 阅读关注点
- 应核对抽样设计、无应答和邻居匹配条件，尤其是供体复用与伪重复样本的处理，以及部分插补和调整的具体规则。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；一致性条件、偏差数值与实施细节未提供，不能直接套用于任意缺失机制或抽样设计。
原文摘要
Nearest-neighbor imputation is a popular hot deck imputation method used to compensate for nonresponse in sample surveys. Although this method has a long history of application, the problem of variance estimation after nearest-neighbor imputation has not been fully investigated. Because nearest-neighbor imputation is a nonparametric method, a nonparametric variance estimation technique, such as the jackknife, is desired. We show that the naive jackknife that treats imputed values as observed data produces serious underestimation. We also show that Rao and Shao's adjusted jackknife, or the jackknife with each pseudoreplicate reimputed, which produces asymptotically unbiased and consistent jackknife variance estimators for other imputation methods (such as mean imputation, random hot deck imputation, and ratio or regression imputation), produces serious overestimation in the case of nearest-neighbor imputation. Two partially reimputed and a partially adjusted jackknife variance estimators are proposed and shown to be asymptotically unbiased and consistent. Some empirical results are provided to examine finite-sample properties of these jackknife variance estimators.