Empirical likelihood for small area estimation
小区域估计的经验似然方法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：摘要研究小区域估计与经验似然，区域层级本身不足以认定为面板数据或其他所列方向。
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
小区域估计的经验似然方法
- 研究问题
- 如何在小区域均值估计中减少对参数似然及估计量线性的依赖，并在同一贝叶斯框架中处理离散和连续数据？
- 方法与思路
- 作者提出基于经验似然的贝叶斯方法，分别构建区域层级与个体层级模型的经验似然，并用真实数据和模拟进行说明。
- 材料陈述的贡献
- 摘要称该方法不要求参数似然或估计量线性，可统一处理离散与连续数据，并讨论所提似然用于贝叶斯推断的适宜性。
- 阅读关注点
- 应核对经验似然的约束条件、区域与个体模型的设定，以及先验选择、后验计算和模拟中评价估计表现的方式。
- 阅读边界
- 依据所给 Crossref 摘要，不能推断其他版本变化；摘要未说明约束、先验、理论保障或数值结果，不能判断普遍优势。
原文摘要
Abstract Current methodologies in small area estimation are mostly either parametric or heavily dependent on the assumed linearity of the estimators of the small area means. We discuss an alternative empirical likelihood-based Bayesian approach, which neither requires a parametric likelihood nor assumes linearity of the estimators, and can handle both discrete and continuous data in a unified manner. Empirical likelihoods for both area- and unit-level models are introduced. We discuss the suitability of the proposed likelihoods in Bayesian inference and illustrate their performances on a real dataset and a simulation study.