Sample Fit Reliability
样本拟合可靠性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以三项处理效应研究展示应用，因此关联因果推断；其重抽样和可靠性评估方法本身属于通用分析工具。
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
样本拟合可靠性
- 研究问题
- 在保持模型固定时，如何评估各观测对拟合的可靠性，检验结果对不可靠数据的敏感度，并通过调整样本权重改善分析？
- 方法与思路
- 作者提出样本拟合可靠性 SFR，通过重抽样为观测评分、逐步剔除不可靠观测检查敏感性，再以可靠性信息重新加权拟合。
- 材料陈述的贡献
- 摘要称模拟展示了 SFR 的优势，并通过复现三项处理效应研究说明其能够揭示新的经验信息，但未列出具体改善幅度。
- 阅读关注点
- 核对观测可靠性评分的定义、重抽样机制、剔除顺序及权重构造，重点检查样本调整是否改变目标总体与处理效应估计对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明理论保证及优势成立条件，可靠性评分本身不能确认因果识别有效。
原文摘要
Researchers frequently test and improve model fit by holding a sample constant and varying the model. We propose methods to test and improve sample fit by holding a model constant and varying the sample. Much as the bootstrap is a well-known method to re-sample data and estimate the uncertainty of the fit of parameters in a model, we develop Sample Fit Reliability (SFR) as a set of computational methods to re-sample data and estimate the reliability of the fit of observations in a sample. SFR uses Scoring to assess the reliability of each observation in a sample, Annealing to check the sensitivity of results to removing unreliable data, and Fitting to re-weight observations for more robust analysis. We provide simulation evidence to demonstrate the advantages of using SFR, and we replicate three empirical studies with treatment effects to illustrate how SFR reveals new insights about each study.