Algorithms for Constructing Combined Strata Variance Estimators
构造合并分层方差估计量的算法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：摘要研究抽样调查的复制方差估计与分层合并，未明确涉及所列经济或金融细分方向。
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…
构造合并分层方差估计量的算法
- 研究问题
- 大型调查中，如何通过合并方差分层减少 Jackknife 或平衡重复复制所需的重复次数，同时保持方差估计的一致性与精度？
- 方法与思路
- 作者借鉴调度理论设计合并算法，允许考虑向量特征和分析域，建立一致性条件与自由度界，并进行调查数据及模拟应用。
- 材料陈述的贡献
- 摘要称，所提算法简单高效且保证满足所建立的一致性条件；应用中方差估计精度接近文中给出的上界。
- 阅读关注点
- 应核对分层合并规则、一致性所需的抽样与渐近条件，以及自由度界的含义和减少重复次数后精度损失的评价方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出一致性条件、自由度界公式或应用数值，不能保证适用于任意调查设计。
原文摘要
A jackknife or balanced repeated replication variance estimator in a large survey typically requires a large number of replicates and replicate weights. Reducing the number of replicates may have important advantages for computations and for limiting the risk of data disclosure from public use data files. This article proposes algorithms adapted from scheduling theory to combine variance strata and, thus, reduce the number of replicates. The algorithms are simple and efficient and can be adapted to easily account for vector characteristics and analytic domains. An important concern with combining strata is that the resulting variance estimators may be inconsistent. We establish conditions for the consistency of the combined variance estimator and show that the proposed algorithms ensure they are met. We also derive bounds on the degrees of freedom that the algorithms will assure. The algorithms are applied both to a real sample survey and to samples from simulated populations, and the algorithms perform very well, attaining variance estimators with precision levels close to the upper bounds.