Optimal Allocation in Stratified and Multistage Samples Using Prior Information
利用先验信息进行分层与多阶段抽样的最优分配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：摘要研究一般抽样设计与预算分配，未提供所列经济计量细分方向的直接依据。
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
利用先验信息进行分层与多阶段抽样的最优分配
- 研究问题
- 在预算约束下，同时考虑分层抽样的固定成本、单位变动成本和不同先验信息时，如何最优分配抽样资源？
- 方法与思路
- 作者将此前最小化总体均值后验方差的分配算法扩展至含固定成本的情形，并讨论先验信息不同时的多阶段设计。
- 材料陈述的贡献
- 摘要称扩展算法可用于多种分布假设下的成本约束分配，并解释第一阶段单位先验信息不同时的两阶段及更高阶段设计。
- 阅读关注点
- 应核对固定成本如何改变最优分配、算法适用的分布条件，以及多阶段设计中差异化先验信息如何进入目标函数。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；扩展后的分布条件、算法步骤和设计约束未说明，不能假定所有先验下均适用。
原文摘要
The author [1], [2] has given an algorithm for finding that stratified allocation which minimizes the posterior variance of the overall population mean subject to a budget constraint under a model in which a normal prior distribution and independent normal sampling distributions were assumed. The budget constraint assumed a variable per unit cost of observation. In the present paper these results are extended to cover the case where there are fixed costs, as well as variable costs, associated with sampling in the ith stratum. The resulting algorithm is noted to be applicable in finding the optimal allocation of sampling effort (with fixed and variable sampling costs) under a variety of distributional assumptions. An interpretation is also given to two and higher stage design questions when there is differential prior information regarding the first stage units.