Benchmarking small area estimators
小区域估计量的基准约束校准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：摘要聚焦小区域估计的线性约束与投影理论，未提供所列经济计量细分领域的直接依据。
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
小区域估计量的基准约束校准
- 研究问题
- 小区域估计如何在满足线性基准约束时保持最优性？外部与内部基准校准如何关联，模型又何时能够自动满足基准？
- 方法与思路
- 作者运用正交投影思想，在受线性约束的基准校准线性估计量类中寻找最优解，并分析增广模型的自基准校准性质。
- 材料陈述的贡献
- 摘要称结果扩展并连接了外部和内部基准校准理论，同时给出增广模型实现自基准校准的必要与充分条件。
- 阅读关注点
- 应核对最优性所依据的损失或准则、线性约束的形式、增广模型的构造，以及自基准校准条件的适用范围。
- 阅读边界
- 仅依据所给OpenAlex摘要。摘要未说明最优性准则、模型条件和具体约束，不能将所述最优解推广至非线性估计量。
原文摘要
This paper considers benchmarking issues in the context of small area estimation. We find optimal estimators within the class of benchmarked linear estimators under linear constraints. This extends existing results for external and internal benchmarking, and also links the two. Necessary and sufficient conditions for self-benchmarking are found for an augmented model. Most results of this paper are found using ideas of orthogonal projection Copyright 2013, Oxford University Press.