High-order accurate methods for retrospective sampling problems
回顾性抽样问题的高阶精确方法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：摘要讨论一般抽样设计与高阶分布近似，未明确涉及因果识别、离散选择或其他指定方向。
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…
关注这篇论文的作者
回顾性抽样问题的高阶精确方法
- 研究问题
- 前瞻性与回顾性抽样下，通过估计方程获得的估计量，其分布近似能否在高阶层面对应，从而共享推断方法？
- 方法与思路
- 作者回顾两种抽样下估计量的一阶关系，推导回顾性估计量及两类目标边际分布的高阶展开，并比较展开的一致性。
- 材料陈述的贡献
- 摘要称两种展开在一定阶次内渐近相同，因此前瞻性鞍点方法可用于回顾性数据而保持相应高阶精度，并给出数值示例。
- 阅读关注点
- 应核对抽样机制、估计方程与目标参数的关系，以及展开相同所需的条件；摘要中的阶次记号应回查原 PDF。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；展开阶次的文本记号不够清晰，不能据此重构精度公式，具体条件与数值结果未提供。
原文摘要
In this paper we discuss the relationship between prospective and retrospective sampling problems. Estimates of the parameter of interest may be obtained by solving suitable estimating equations under both sampling schemes. Most common examples of such estimates include the maximum likelihood estimates. Some classical results and more recent development of the first-order asymptotic relationship between the estimators are reviewed. High-order expansions are given for the distributions of the retrospective estimators. Expansions for the marginal distributions of interest are obtained for both prospective and retrospective data. Furthermore, it is shown that the two expansions are asymptotically equal, at least up to order O(n-1). This implies that readily available prospective saddlepoint methods may be applied to the analysis of retrospective data without loss of high-order accuracy. The results are also briefly illustrated numerically.