Outlier Robust Small Area Estimation
抗异常值的小域估计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：摘要讨论调查数据的小域估计与稳健偏差修正，所列细分中没有直接对应且证据充分的方向。
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…
抗异常值的小域估计
- 研究问题
- 当异常值分布的均值不同于其余调查数据时，抗异常值小域估计可能产生明显偏差，如何修正并估计其均方误差？
- 方法与思路
- 作者发展抗异常值的偏差修正方法，为修正后的估计量提出两种解析均方误差估计，并用贴近实际的污染数据模拟。
- 材料陈述的贡献
- 摘要称偏差修正在模拟中经常提高估计效率，两种均方误差方法对多种抗异常值小域估计量表现良好。
- 阅读关注点
- 应核对小域目标量、异常值的角色、偏差修正所需条件，以及均方误差公式和模拟中效率改善的具体衡量方式。
- 阅读边界
- 仅据所给 Crossref 摘要；未说明污染机制、修正公式及模拟数值，不能认定偏差修正对所有小域或异常值设定均有效。
原文摘要
Summary Recently proposed outlier robust small area estimators can be substantially biased when outliers are drawn from a distribution that has a different mean from that of the rest of the survey data. This naturally leads one to consider an outlier robust bias correction for these estimators. We develop this idea, proposing two different analytical mean-squared error estimators for the ensuing bias-corrected outlier robust estimators. Simulations based on realistic outlier-contaminated data show that the bias correction proposed often leads to more efficient estimators. Furthermore, the mean-squared error estimation methods proposed appear to perform well with a variety of outlier robust small area estimators.