Small-Area Estimation Under Informative Probability Sampling of Areas and Within the Selected Areas
区域及区域内信息性概率抽样下的小区域估计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：摘要研究信息性调查抽样与小区域预测，区域层级本身不构成面板数据或宏观面板证据。
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
区域及区域内信息性概率抽样下的小区域估计
- 研究问题
- 当区域入样概率与真实区域均值相关、区域内单位入样概率也与结果相关时，如何预测小区域均值并给出有效的不确定性评估？
- 方法与思路
- 作者提出考虑区域与区域内信息性抽样的均值预测、均方误差估计和置信区间方法，并构造检验两层抽样信息性的简单统计量。
- 材料陈述的贡献
- 摘要称，所提方法可在两层信息性抽样下提供有效推断，并以模拟和美国县级平均体重指数估计展示程序的实际应用。
- 阅读关注点
- 应核对抽样机制如何影响观测结果分布、未抽样区域的预测依据，以及均方误差和区间有效性条件及两层信息性检验的构造。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；结果模型、抽样机制假设和区间覆盖数值未说明，不能认定其无需模型即可预测未抽样区域。
原文摘要
In this article we show how to predict small-area means and obtain valid mean squared error estimators and confidence intervals when the areas represented in the sample are sampled with unequal probabilities possibly related to the true (unknown) area means and the sampling of units within the selected areas is with probabilities possibly related to the outcome values. Ignoring the effects of the sampling process on the distribution of the observed outcomes in such cases may bias the inference very severely. Classical design-based inference that uses the randomization distribution of probability-weighted estimators cannot be applied for predicting the means of nonsampled areas. We propose simple test statistics for testing the informativeness of the selection of areas and sampling of units within the selected areas. We illustrate the proposed procedures by a simulation study and a real application of estimating mean body mass index in U.S. counties, using data from the Third National Health and Nutrition Examination Survey.