Some results on generalized difference estimation and generalized regression estimation for finite populations
有限总体的广义差分估计与广义回归估计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：摘要聚焦有限总体抽样与辅助变量估计，未提供所列领域细分的直接证据。
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…
有限总体的广义差分估计与广义回归估计
- 研究问题
- 在有限总体抽样中，如何利用辅助变量改进估计，并在明确的超总体模型下判断广义差分与广义回归估计的表现？
- 方法与思路
- 作者构建使广义差分估计在期望方差意义下最优的超总体模型，将结果用于含辅助变量的过原点线性回归，并提出新估计量。
- 材料陈述的贡献
- 摘要称给出广义差分估计的期望方差最优性，并提出广义回归估计量，声称其优于一组传统竞争方法，具体比较条件未列出。
- 阅读关注点
- 应核对抽样设计、超总体假设与辅助信息的可用程度，区分期望方差最优性和新估计量优于传统方法所使用的评价标准。
- 阅读边界
- 依据版本未注明的索引摘要；未列出竞争方法或新估计量的比较指标，不能把模型下的最优性理解为任意抽样设计下的优势。
原文摘要
A superpopulation model is formulated under which the generalized difference estimator is optimal in an expected variance sense. The result is applied in the situation where an auxiliary variable is available and linear regression through the origin is assumed. A generalized regression estimator is proposed and shown to be better than a range of traditional competitors.