Multi-level modelling under informative sampling
信息性抽样下的多层模型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：多层抽样模型不等于面板数据模型，摘要未提供对应所列领域细分的直接依据。
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…
信息性抽样下的多层模型
- 研究问题
- 当不同层级单位的入样概率具有信息性时，如何调整多层模型，使参数估计和区间推断反映样本选择机制？
- 方法与思路
- 作者由总体层级模型和各层入样概率推导给定所选样本的模型，再用贝叶斯方法拟合，并考察最大似然估计。
- 材料陈述的贡献
- 摘要称，入样概率可作为额外数据参与分析；所设模拟中两类方法点估计相近，模型依赖方法的区间覆盖表现更好。
- 阅读关注点
- 应核对样本模型的推导、入样概率是否已知及如何建模，并检查覆盖率比较和选择概率模型误设模拟的具体设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未报告模拟数值或误设研究结论，区间优势不能推广到任意抽样设计。
原文摘要
We consider a model-dependent approach for multi-level modelling that accounts for informative probability sampling of first- and lower-level population units. The proposed approach consists of first extracting the hierarchical model holding for the sample data given the selected sample, as a function of the corresponding population model and the first- and lower-level sample selection probabilities, and then fitting the resulting sample model using Bayesian methods. An important implication of the use of the model holding for the sample is that the sample selection probabilities feature in the analysis as additional data that possibly strengthen the estimators. A simulation experiment is carried out in order to study the performance of this approach and compare it to the use of ‘design-based’ methods. The simulation study indicates that both approaches perform in general equally well in terms of point estimation, but the model-dependent approach yields confidence/credibility intervals with better coverage properties. Another simulation study assesses the impact of misspecification of the models assumed for the sample selection probabilities. The use of maximum likelihood estimation is also considered.