Big Data meets Causal Survey Research: Understanding Nonresponse in the Recruitment of a Mixed-mode Online Panel
大数据与因果调查研究：混合模式在线面板招募中的无应答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：摘要明确使用双重机器学习估计因果参数，并在高维面板环境中分析调查无应答。
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…
大数据与因果调查研究：混合模式在线面板招募中的无应答
- 研究问题
- 在数字化带来的高维调查数据中，如何研究招募无应答的因果关系，而不只依赖适合预测的机器学习结果？
- 方法与思路
- 作者将双重机器学习引入调查统计，利用其估计因果参数，并展示如何在高维面板环境中分析调查无应答问题。
- 材料陈述的贡献
- 摘要称该方法可提供近似无偏的因果参数估计，展示机器学习辅助因果调查研究的用途，但未给出具体无应答效应。
- 阅读关注点
- 应核对研究中的处理、结果和因果参数定义，双重机器学习的识别与辅助估计条件，以及面板依赖和样本选择的处理。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出识别条件，近似无偏性不能理解为自动消除未测混杂。
原文摘要
Survey scientists increasingly face the problem of high-dimensionality in their research as digitization makes it much easier to construct high-dimensional (or "big") data sets through tools such as online surveys and mobile applications. Machine learning methods are able to handle such data, and they have been successfully applied to solve \emph{predictive} problems. However, in many situations, survey statisticians want to learn about \emph{causal} relationships to draw conclusions and be able to transfer the findings of one survey to another. Standard machine learning methods provide biased estimates of such relationships. We introduce into survey statistics the double machine learning approach, which gives approximately unbiased estimators of causal parameters, and show how it can be used to analyze survey nonresponse in a high-dimensional panel setting.