Combining Information from Multiple Surveys by using Regression for Efficient Small Domain Estimation
通过回归合并多项调查信息以提高小域估计效率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：摘要研究有限总体调查的小域直接估计与多调查校准，并未说明重复跟踪个体或宏观面板结构，不能据此归入面板方向。
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
通过回归合并多项调查信息以提高小域估计效率
- 研究问题
- 同一有限总体的多个调查包含可比信息时，如何合并这些信息，提高样本量不足的小域估计及稀有人口特征估计的精度？
- 方法与思路
- 作者提出扩展校准式回归估计，使不同调查中的可比小域估计相互校准；目标变量采用基于设计且仅涉及域内数据的直接估计。
- 材料陈述的贡献
- 摘要称解析结果与实证研究表明，共有调查变量可受益于合并后的样本信息，显著提高小域估计精度，并适用于稀有特征估计。
- 阅读关注点
- 应核对各调查信息的可比性、相互校准的约束与方差计算，以及直接估计如何仅使用目标域数据并获得跨调查精度增益。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明抽样设计、调查间重叠处理或精度改善数值，不能判断具体调查组合的收益。
原文摘要
Summary In sample surveys of finite populations, subpopulations for which the sample size is too small for estimation of adequate precision are referred to as small domains. Demand for small domain estimates has been growing in recent years among users of survey data. We explore the possibility of enhancing the precision of domain estimators by combining comparable information collected in multiple surveys of the same population. For this, we propose a regression method of estimation that is essentially an extended calibration procedure whereby comparable domain estimates from the various surveys are calibrated to each other. We show through analytic results and an empirical study that this method may greatly improve the precision of domain estimators for the variables that are common to these surveys, as these estimators make effective use of increased sample size for the common survey items. The design-based direct estimators proposed involve only domain-specific data on the variables of interest. This is in contrast with small domain (mostly small area) indirect estimators, based on a single survey, which incorporate through modelling data that are external to the targeted small domains. The approach proposed is also highly effective in handling the closely related problem of estimation for rare population characteristics.