A pseudo empirical likelihood approach for stratified samples with nonresponse
存在无应答的分层样本：伪经验似然方法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：摘要研究分层调查中的无应答与均值估计，未明确涉及因果、面板或其他所列细分。
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…
存在无应答的分层样本：伪经验似然方法
- 研究问题
- 当调查应答在给定辅助类别后与调查变量条件独立时，如何避免小插补单元合并并改善总体均值估计？
- 方法与思路
- 作者对给定调查变量的辅助类别概率设参数模型，对调查变量分布设非参数模型，通过伪经验似然跨类别加权或插补。
- 材料陈述的贡献
- 摘要称，该方法避免人为合并小类别，推导总体均值估计量的渐近分布，并建立用于方差估计的 bootstrap 一致性。
- 阅读关注点
- 应核对应答条件独立假设、类别概率模型的设定、分层抽样权重如何进入似然，以及效率和 bootstrap 结论的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模型误设及违背应答假设时的表现未说明，效率改善范围与刊本变化不能据此判断。
原文摘要
Nonresponse is common in surveys. When the response probability of a survey variable Y depends on Y through an observed auxiliary categorical variable Z (i.e., the response probability of Y is conditionally independent of Y given Z), a simple method often used in practice is to use Z categories as imputation cells and construct estimators by imputing nonrespondents or reweighting respondents within each imputation cell. This simple method, however, is inefficient when some Z categories have small sizes and ad hoc methods are often applied to collapse small imputation cells. Assuming a parametric model on the conditional probability of Z given Y and a nonparametric model on the distribution of Y, we develop a pseudo empirical likelihood method to provide more efficient survey estimators. Our method avoids any ad hoc collapsing small Z categories, since reweighting or imputation is done across Z categories. Asymptotic distributions for estimators of population means based on the pseudo empirical likelihood method are derived. For variance estimation, we consider a bootstrap procedure and its consistency is established. Some simulation results are provided to assess the finite sample performance of the proposed estimators.