Robust Models in Probability Sampling
概率抽样中的稳健模型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：摘要聚焦概率抽样及总体量估计的稳健性，现有细分列表没有直接对应的调查抽样方向。
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
概率抽样中的稳健模型
- 研究问题
- 使用模型估计总体均值或总量时，模型与拟合方法需要满足什么条件，才能在模型失配下仍保持设计一致性？
- 方法与思路
- 作者提出“内部偏差校准”这一充分条件，考察特定典型连接广义线性模型及由局部似然构造的非参数回归。
- 材料陈述的贡献
- 摘要称该条件扩大了模型辅助而设计一致的分析范围，涵盖部分二元与计数变量，并讨论子总体规模等应用。
- 阅读关注点
- 应核对内部偏差校准如何同时约束模型和拟合方法、设计一致性的抽样条件，以及改变拟合方法带来的效率代价。
- 阅读边界
- 仅据所给 Crossref 摘要；具体抽样设计、充分条件和效率比较未展示，不能将设计一致性理解为任意模型均稳健。
原文摘要
Summary In the estimation of a population mean or total from a random sample, certain methods based on linear models are known to be automatically design consistent, regardless of how well the underlying model describes the population. A sufficient condition is identified for this type of robustness to model failure; the condition, which we call ‘internal bias calibration’, relates to the combination of a model and the method used to fit it. Included among the internally bias-calibrated models, in addition to the aforementioned linear models, are certain canonical link generalized linear models and nonparametric regressions constructed from them by a particular style of local likelihood fitting. Other models can often be made robust by using a suboptimal fitting method. Thus the class of model-based, but design consistent, analyses is enlarged to include more realistic models for certain types of survey variable such as binary indicators and counts. Particular applications discussed are the estimation of the size of a population subdomain, as arises in tax auditing for example, and the estimation of a bootstrap tail probability.