Asymptotic Properties of Weighted M-estimators for variable probability samples
不等概率样本中加权 M 估计量的渐近性质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：摘要研究不等概率分层抽样下的一般 M 估计理论，多项抽样也属于抽样机制，缺乏所列具体应用领域的直接证据。
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
不等概率样本中加权 M 估计量的渐近性质
- 研究问题
- 在抽样概率不等的分层设计下，加权 M 估计量如何进行渐近推断，何时不加权估计更有效率，已知总体频率能否改进加权？
- 方法与思路
- 作者刻画分层抽样机制并表示目标函数，分析加权 M 估计的渐近性质，提出一致的渐近方差矩阵估计量，并将结果扩展至多项抽样。
- 材料陈述的贡献
- 摘要称，在外生变量分层且满足广义条件信息矩阵等式时，不加权估计更有效率；已知总体频率时可采用效率更高的权重。
- 阅读关注点
- 阅读全文时应核对抽样概率与总体频率的处理方式、方差估计的一致性条件，以及效率比较所依赖的广义条件信息矩阵等式。
- 阅读边界
- 效率排序依赖摘要所述分层方式和信息矩阵条件，不能推广为一律不应加权；摘要未说明具体权重形式和有限样本表现。
原文摘要
I provide a systematic treatment of the asymptotic properties of weighted M-estimators under variable probability stratified sampling. The characterization of the sampling scheme and representation of the objective function allow for a straightforward analysis. Simple, consistent asymptotic variance matrix estimators are proposed. When stratification is based on exogenous variables, I show that the unweighted M-estimator is more efficient than the weighted estimator under a generalized conditional information matrix equality. When population frequencies are known, a more efficient weighting is possible. I also show how the results carry over to multinomial sampling.