Sampling-based vs. Design-based Uncertainty in Regression Analysis
回归分析中的抽样不确定性与设计不确定性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以政策干预及未观测反事实结果为设计不确定性的来源，直接关联因果推断。
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…
回归分析中的抽样不确定性与设计不确定性
- 研究问题
- 当研究者观察到全部州或全部网站访问时，回归参数和标准误应如何解释，又如何区分抽样变化与干预反事实带来的不确定性？
- 方法与思路
- 作者采用部分基于设计的推断框架，将可操纵回归变量下未观测的替代干预结果纳入不确定性，并推导相应标准误。
- 材料陈述的贡献
- 摘要称新标准误可单独或联合计入设计与抽样不确定性，一般小于通常的无限总体抽样标准误，并给出两者相同的条件。
- 阅读关注点
- 应核对目标总体、回归参数含义与干预分配机制，明确标准误覆盖哪类随机性，并检查大小比较与相等结论的适用条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未展开分配机制和比较条件，不能因观测全体单位就断言无需标准误。
原文摘要
Consider a researcher estimating the parameters of a regression function based on data for all 50 states in the United States or on data for all visits to a website. What is the interpretation of the estimated parameters and the standard errors? In practice, researchers typically assume that the sample is randomly drawn from a large population of interest and report standard errors that are designed to capture sampling variation. This is common even in applications where it is difficult to articulate what that population of interest is, and how it differs from the sample. In this article, we explore an alternative approach to inference, which is partly design-based. In a design-based setting, the values of some of the regressors can be manipulated, perhaps through a policy intervention. Design-based uncertainty emanates from lack of knowledge about the values that the regression outcome would have taken under alternative interventions. We derive standard errors that account for design-based uncertainty instead of, or in addition to, sampling-based uncertainty. We show that our standard errors in general are smaller than the usual infinite-population sampling-based standard errors and provide conditions under which they coincide.