Robust empirical Bayes small area estimation with density power divergence
基于密度幂散度的稳健经验贝叶斯小区域估计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：摘要聚焦调查统计中的小区域估计，未明确对应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
基于密度幂散度的稳健经验贝叶斯小区域估计
- 研究问题
- 当 Fay–Herriot 小区域模型的正态分布假设出现误设时，如何改进经验贝叶斯均值估计及其均方误差评估？
- 方法与思路
- 作者利用密度幂散度修改经验贝叶斯估计，并依据稳健模型参数估计量的渐近性质推导均方误差及其估计。
- 材料陈述的贡献
- 摘要称提出了新的稳健小区域估计量及配套均方误差方法，并通过模拟和调查数据应用考察其数值表现。
- 阅读关注点
- 应核对稳健性针对的分布偏离、散度参数的选择方式，以及均方误差推导的渐近框架和有限样本可靠性。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明污染或误设范围、调参方法及数值结果，不能判断稳健性与效率的具体权衡。
原文摘要
Summary A two-stage normal hierarchical model called the Fay–Herriot model and the empirical Bayes estimator are widely used to obtain indirect and model-based estimates of means in small areas. However, the performance of the empirical Bayes estimator can be poor when the assumed normal distribution is misspecified. This article presents a simple modification that makes use of density power divergence and proposes a new robust empirical Bayes small area estimator. The mean squared error and estimated mean squared error of the proposed estimator are derived based on the asymptotic properties of the robust estimator of the model parameters. We investigate the numerical performance of the proposed method through simulations and an application to survey data.