Modeling Random Effects Using Global–Local Shrinkage Priors in Small Area Estimation
小区域估计中采用全局—局部收缩先验建模随机效应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：摘要明确涉及小区域调查估计与收缩先验，但未说明面板、分位数效应或其他给定分类结构。
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…
小区域估计中采用全局—局部收缩先验建模随机效应
- 研究问题
- 当小区域数量很多且区域间差异较大时，如何建模区域随机效应，使较小与较大的效应都能得到适当处理？
- 方法与思路
- 作者为小区域随机效应引入全局—局部收缩先验，用两层参数表达区域特定方差，并通过模拟与数据分析评估估计表现。
- 材料陈述的贡献
- 摘要称，该先验能够适应较宽的区域差异，模拟和数据分析显示其在多数考察情形下改善估计结果，但未给出改善幅度。
- 阅读关注点
- 应核对全局与局部参数的先验设定、区域随机效应的模型结构、比较方法与误差指标，以及大效应区域中的收缩表现。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；具体先验、比较基准和数据分析细节未说明，“多数情形改善”不能解释为普遍优势。
原文摘要
Small area estimation is becoming increasingly popular for survey statisticians. One very important program is Small Area Income and Poverty Estimation undertaken by the United States Bureau of the Census, which aims at providing estimates related to income and poverty based on American Community Survey data at the state level and even at lower levels of geography. This article introduces global–local (GL) shrinkage priors for random effects in small area estimation to capture wide area level variation when the number of small areas is very large. These priors employ two levels of parameters, global and local parameters, to express variances of area-specific random effects so that both small and large random effects can be captured properly. We show via simulations and data analysis that use of the GL priors can improve estimation results in most cases. Supplementary materials for this article, including a standardized description of the materials available for reproducing the work, are available as an online supplement.