A Note on the “Necessary Best Estimator”
关于“必要最优估计量”的一则注记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：摘要属于抽样设计与调查估计的一般理论，未涉及处理分配或因果识别，缺乏所列细分方向的直接依据。
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
关于“必要最优估计量”的一则注记
- 研究问题
- Horvitz–Thompson 估计量是否对所有抽样设计都满足 Ajgaonkar 提出的“必要最优估计量”准则？
- 方法与思路
- 作者给出一个简洁证明，使用各单位在所有可能样本中的总体入样概率，考察 Horvitz–Thompson 估计量。
- 材料陈述的贡献
- 摘要称，该估计量对所有抽样设计均满足指定的“必要最优”准则；这里的最优性明确依赖该准则的定义。
- 阅读关注点
- 应核对该准则的准确表述、入样概率与估计量的定义，以及“所有抽样设计”的范围和估计量可定义的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；准则及证明未提供，不能把这种最优性解释为任意损失函数下的普遍优势。
原文摘要
This note presents a simple proof that the Horvitz-Thompson estimator (where πi is the total probability of selecting unit i over all possible samples), satisfies Ajgaonkar's criterion for the “necessary best estimator” for all sample designs.