Building Consistent Regression Trees From Complex Sample Data
利用复杂抽样数据构建一致的回归树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：摘要研究复杂抽样下的一般回归树估计，劳动统计数据的应用不足以确定所列方法细分方向。
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
利用复杂抽样数据构建一致的回归树
- 研究问题
- 当数据来自复杂抽样设计时，如何将设计信息纳入递归分割回归树，并保证其对一般回归函数的渐近设计一致性？
- 方法与思路
- 作者提出纳入复杂抽样设计信息的回归树构建方法，给出渐近设计 L2 一致性的充分条件，并结合企业调查与工资数据开展模拟。
- 材料陈述的贡献
- 摘要称，论文建立所提回归树作为任意回归函数估计量的设计 L2 一致性条件，并用关联的就业调查与工资数据说明方法。
- 阅读关注点
- 应核对设计信息进入分裂规则和叶节点估计的方式，区分设计渐近与模型渐近，并检查充分条件及模拟中的总体和抽样方案。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一致性条件、抽样机制和有限样本性能未说明，不能推断刊本变化。
原文摘要
In the past several years a wide range of methods for the construction of regression trees and other estimators based on the recursive partitioning of samples have appeared in the statistics literature. Many applications involve data collected through a complex sample design. At present, however, relatively little is known regarding the properties of these methods under complex designs. This article proposes a method for incorporating information about the complex sample design when building a regression tree using a recursive partitioning algorithm. Sufficient conditions are established for asymptotic design L2 consistency of these regression trees as estimators for an arbitrary regression function. The proposed method is illustrated with Occupational Employment Statistics establishment survey data linked to Quarterly Census of Employment and Wage payroll data of the Bureau of Labor Statistics. Performance of the nonparametric estimator is investigated through a simulation study based on this example.