M-quantile models for small area estimation
用于小区域估计的 M 分位数模型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：摘要明确对条件分布的类分位数参数建模，并扩展至区域分位数估计，直接对应分位数与分布研究方向。
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…
关注这篇论文的作者
用于小区域估计的 M 分位数模型
- 研究问题
- 小区域估计如何减少对随机效应分布和模型设定的依赖，同时表达区域差异，并对异常观测提供稳健处理？
- 方法与思路
- 作者建模目标变量给定协变量的类分位数参数，以区域特定的 M 分位数系数刻画差异，并扩展至多种区域参数。
- 材料陈述的贡献
- 摘要称方法便于实现异常值稳健化，也可估计区域分位数，并通过模拟和真实数据与随机效应方法进行比较。
- 阅读关注点
- 应核对 M 分位数与通常分位数的区别、区域系数和目标参数的估计方式，以及稳健化、误差评估与比较设计。
- 阅读边界
- 版本未注明的索引摘要未提供误差估计方法或比较结果；减少随机效应设定不意味着无须假设，也不保证普遍更优。
原文摘要
Small area estimation techniques typically rely on regression models that use both covariates and random effects to explain variation between the areas. However, such models also depend on strong distributional assumptions, require a formal specification of the random part of the model and do not easily allow for outlier-robust inference. We describe a new approach to small area estimation that is based on modelling quantilelike parameters of the conditional distribution of the target variable given the covariates. This avoids the problems associated with specification of random effects, allowing inter-area differences to be characterised by area-specific M-quantile coefficients. The proposed approach is easily made robust against outlying data values and can be adapted for estimation of a wide range of area-specific parameters, including quantiles of the distribution of the target variable in the different small areas. The differences between M-quantile and random effects models are discussed and the alternative approaches to small area estimation are compared using both simulated and real data.