The effect of microaggregation by individual ranking on the estimation of moments
按个体排序的微聚合对矩估计的影响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：摘要研究数据匿名化对一般矩估计的影响，未明确对应给定的因果、面板、分布效应或金融等细分领域。
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
按个体排序的微聚合对矩估计的影响
- 研究问题
- 将保密数据按个体排序并微聚合后，常规矩估计是否仍具有一致性和渐近正态性，匿名化是否需要额外偏差校正？
- 方法与思路
- 作者对个体排序微聚合后的任意矩估计开展理论分析，研究经典矩估计量在所述弱假设下的渐近性质。
- 材料陈述的贡献
- 摘要称经典矩估计量仍一致且渐近正态，为在这种匿名化数据上使用常规估计、无需校正可能的匿名化偏差提供依据。
- 阅读关注点
- 应核对微聚合算法、分组规则和样本增长方式，以及弱假设的内容、渐近方差处理和任意矩所需的存在条件。
- 阅读边界
- 所给出版社摘要未列出弱假设及有限样本偏差；关于矩估计的结论不能直接扩展到全部统计分析或其他匿名化方法。
原文摘要
Microaggregation by individual ranking (IR) is an important technique for masking confidential econometric data. While being a successful method for controlling the disclosure risk of observations, IR also affects the results of statistical analyses. We conduct a theoretical analysis on the estimation of arbitrary moments from a data set that has been anonymized by means of the IR method. We show that classical moment estimators remain both consistent and asymptotically normal under weak assumptions. This theory provides the justification for applying standard statistical estimation techniques to the anonymized data without having to correct for a possible bias caused by anonymization.