Model-assisted estimation for complex surveys using penalised splines
复杂调查中基于惩罚样条的模型辅助估计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：摘要聚焦有限总体与复杂调查抽样，所给细分列表没有直接对应方向。
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…
复杂调查中基于惩罚样条的模型辅助估计
- 研究问题
- 在复杂抽样设计下，如何利用辅助变量估计有限总体总量，同时兼顾模型设定误差、设计一致性及方差估计？
- 方法与思路
- 作者提出惩罚样条回归估计量，将样本观测加权并校准到已知控制总量，同时考虑不等概率抽样中的数据驱动惩罚选择。
- 材料陈述的贡献
- 摘要称，估计量在标准设计条件下具有一致性、渐近正态性和一致方差估计；模拟及森林调查示例展示其效率与适用性。
- 阅读关注点
- 应核对抽样设计条件、校准权重和惩罚选择方式，以及模拟中参数模型误设程度和两阶段调查应用的具体处理。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未列出设计条件或效率数值，模拟中的优势不能直接推广到所有复杂调查。
原文摘要
Estimation of finite population totals in the presence of auxiliary information is considered. A class of estimators based on penalised spline regression is proposed. These estimators are weighted linear combinations of sample observations, with weights calibrated to known control totals. They allow straightforward extensions to multiple auxiliary variables and to complex designs. Under standard design conditions, the estimators are design consistent and asymptotically normal, and they admit consistent variance estimation using familiar design-based methods. Data-driven penalty selection is considered in the context of unequal probability sampling designs. Simulation experiments show that the estimators are more efficient than parametric regression estimators when the parametric model is incorrectly specified, while being approximately as efficient when the parametric specification is correct. An example using Forest Health Monitoring survey data from the U.S. Forest Service demonstrates the applicability of the methodology in the context of a two-phase survey with multiple auxiliary variables.