Doubly Robust Inference when Combining Probability and Non-Probability Samples with High Dimensional Data
高维数据下合并概率与非概率样本的双重稳健推断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：目标是样本整合后的有限总体均值，摘要未设定处理效应，不能仅凭双重稳健将其归为因果推断。
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
高维数据下合并概率与非概率样本的双重稳健推断
- 研究问题
- 如何将非概率样本与提供总体代表性高维协变量的概率样本结合，在变量选择可能出错时仍有效估计有限总体均值？
- 方法与思路
- 作者先用折叠凹惩罚估计方程选择变量，再通过最小化双重稳健估计量的渐近平方偏差，重新估计干扰模型参数。
- 材料陈述的贡献
- 摘要称，第一步具有选择一致性；第二步可缓解选择错误，并在抽样概率或结果模型之一正确时使均值估计达到根号样本量一致性。
- 阅读关注点
- 应核对样本整合所需条件、高维选择一致性的限制、重新估计的具体方程，以及双重稳健结论对选择误差的容忍范围。
- 阅读边界
- 仅据所给 Crossref 摘要；完整样本选择条件与维度增长限制未说明，双重稳健不意味着两类模型均错时仍然一致。
原文摘要
Summary We consider integrating a non-probability sample with a probability sample which provides high dimensional representative covariate information of the target population. We propose a two-step approach for variable selection and finite population inference. In the first step, we use penalized estimating equations with folded concave penalties to select important variables and show selection consistency for general samples. In the second step, we focus on a doubly robust estimator of the finite population mean and re-estimate the nuisance model parameters by minimizing the asymptotic squared bias of the doubly robust estimator. This estimating strategy mitigates the possible first-step selection error and renders the doubly robust estimator root n consistent if either the sampling probability or the outcome model is correctly specified.