Finite Population Sampling with Multivariate Auxiliary Information
利用多变量辅助信息的有限总体抽样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：摘要属于调查抽样与有限总体预测，未涉及宏观预测或所列其他细分的直接应用。
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…
关注这篇论文的作者
利用多变量辅助信息的有限总体抽样
- 研究问题
- 在大样本调查和回归超总体模型下，如何利用多变量辅助信息构造近似设计无偏且接近最优的抽样策略？
- 方法与思路
- 作者提出连接设计无偏与模型无偏预测器的新类别，并将广义回归预测器与基于模型的分层设计结合。
- 材料陈述的贡献
- 摘要称广义回归预测器广泛存在于渐近设计无偏预测器子类中，其与模型分层结合可形成高效率策略。
- 阅读关注点
- 应核对设计期望和模型期望的区别、辅助信息的可用范围，以及近似无偏与近最优所采用的渐近标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出设计条件、最优性准则或效率数值，不能推广为任意调查设计的结论或推断刊本变化。
原文摘要
This article examines strategies that are approximately design-unbiased and nearly optimal, assuming a large-sample survey and a regression superpopulation model. A new class of predictors is proposed to link certain features of optimal design-unbiased and model-unbiased predictors. Generalized regression predictors are shown to pervade the subclass of asymptotically design-unbiased (ADU) predictors. Generalized regression predictors are combined with model-based stratification to construct highly efficient ADU strategies.