Selection Bias Adjustment by Functional Transfer Learning via Reproducing Kernel Hilbert Space
通过再生核希尔伯特空间中的函数迁移学习调整选择偏差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：摘要研究抽样选择偏差调整与总体参数估计，未明确涉及因果效应或其他给定领域细分，故不作分类。
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…
通过再生核希尔伯特空间中的函数迁移学习调整选择偏差
- 研究问题
- 在有限总体的非概率样本存在选择偏差时，如何利用参考概率样本改善总体参数估计，并使同一组权重服务于多个估计任务？
- 方法与思路
- 作者提出函数迁移学习方法，借助参考概率样本校准再生核希尔伯特空间中函数的边际均值，据此构造可复用的样本权重。
- 材料陈述的贡献
- 摘要称该方法无需参数化回归或选择模型，在正则条件下具有一致性与极限分布，并以数值实验和中国第二次经济普查作示例。
- 阅读关注点
- 应核对参考概率样本的信息要求、函数校准如何约束选择偏差、权重求解与核的选择，以及多任务估计的理论适用范围。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；正则条件及比较结果数值未说明，无参数形式假设不意味着无需其他条件，也不能推断刊本变化。
原文摘要
As accessibility to different data sources increases, transfer learning becomes prevalent in improving statistical efficiency by integrating different datasets. In this article, we focus on the popular non-probability sampling from a finite population and propose a functional transfer learning method to adjust its selection bias through calibrating marginal means of functions in a reproducing kernel Hilbert space by incorporating a reference probability sample. Compared with existing works, the proposed method is more robust since no parametric assumption is made for both regression and selection models. Besides, the proposed method is multitask-oriented in the sense that the estimated sample weights can be used to estimate different population parameters. Theoretical properties, including consistency and a limiting distribution, are established under some regularity conditions. Numerical experiments show that the proposed estimator outperforms its competitors. The proposed method is applied to the second round economic census data in China as an empirical illustration.