Regularized Small Area Estimation with Graph Laplacian Benchmarking priors
采用图拉普拉斯基准约束先验的正则化小区域估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：区域相似图用于小区域估计的正则化，摘要未涉及网络关系推断、干扰效应或其他指定方向。
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…
采用图拉普拉斯基准约束先验的正则化小区域估计
- 研究问题
- 小区域估计如何同时借用区域间信息，并使区域估计满足可靠总量的基准约束，从而兼顾局部精度与汇总一致性？
- 方法与思路
- 作者从带基准约束的正则化问题诱导贝叶斯先验，用外部协变量构建单视图或多视图图拉普拉斯，并设计约束空间 MCMC。
- 材料陈述的贡献
- 摘要称提出兼容约束与跨区域正则化的先验族；哥伦比亚家庭规模应用中，图正则化改善表现，多视图估计通常更精确。
- 阅读关注点
- 应核对基准约束的形式与来源、相似图的构建、退化先验下的参数化与计算，以及精度比较指标和基准的不确定性。
- 阅读边界
- 依据 arXiv v1 预印本摘要，同行评审与期刊接收未获验证。性能改善限于摘要所述应用，具体数值与稳健性未说明。
原文摘要
Small area estimation (SAE) often requires both borrowing information across areas and benchmarking estimates to reliable aggregates. We develop a Bayesian framework that addresses these two objectives jointly through a new family of Benchmarking priors. The priors are induced by a benchmark-constrained regularization problem. The resulting family includes a Benchmarking Prior that incorporates the benchmarking restrictions without additional regularization across areas, and Single and Multi-View Laplacian Benchmarking Priors that introduce regularization through graph Laplacians constructed from area similarities based on external covariate information. For posterior computation under these degenerate priors, we develop tailored MCMC algorithms based on a reduced parameterization of the constraint space. We assess the proposed models using a data-based simulation and apply the framework to estimate Average Household Size (AHS) at the municipality level in Colombia in 2025. In this application, graph-based regularization improves model performance, with the Multi-View models generally producing more precise municipality-level estimates.