Model-Based Stratification in Inventory Cost Estimation
库存成本估计中的模型分层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：摘要聚焦库存审计中的分层抽样与调查估计，未涉及所列因果、面板、结构估计或金融计量方向。
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…
库存成本估计中的模型分层
- 研究问题
- 如何利用超总体模型，为广义差分估计量构造有效率的分层抽样设计，并在库存成本估计中评价其相对常规设计的样本需求？
- 方法与思路
- 作者基于超总体模型开发分层抽样方案，并使用包含8,069项库存的完整审计数据库，将模型分层与若干常规设计比较。
- 材料陈述的贡献
- 摘要称，在该库存审计应用中，模型分层设计相较常规设计减少了所需样本量；这一贡献的评价范围限于摘要所述应用与比较。
- 阅读关注点
- 阅读时应核对超总体模型、分层规则和广义差分估计量的形式，以及样本量比较是否采用相同精度目标和一致的评价条件。
- 阅读边界
- 摘要只报告一个库存审计应用，未说明模型错设、其他库存总体或不同精度要求下的表现，无法确认样本节省的普遍性。
原文摘要
This article describes a method for developing an efficiently stratified sampling design for a generalized difference estimator, using a superpopulation model. The effectiveness of model-based stratification is compared to several conventional designs, using a data base from a complete audit of an inventory of 8,069 items. In this application, model-based designs reduce the required sample size from 9% to 40%, compared to the conventional designs.