A Minimax Approach to Randomization and Estimation in Survey Sampling
调查抽样中随机化与估计的极小极大方法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：摘要研究有限总体抽样设计与均值估计，未提供足以归入所列计量领域细分的具体文本依据。
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…
关注这篇论文的作者
调查抽样中随机化与估计的极小极大方法
- 研究问题
- 在有限总体中，仅依据单位标签选择样本来估计总体均值时，如何同时选择抽样设计和满足特定约束的线性估计量？
- 方法与思路
- 作者以极小极大准则联合考察抽样与估计，要求估计量是观测值的线性函数，且所有观测值相同时能再现该共同值。
- 材料陈述的贡献
- 摘要称，在上述估计量约束下，极小极大准则支持采用简单随机抽样和样本均值，所讨论的抽样并不限于固定样本量。
- 阅读关注点
- 应核对极小极大问题的损失函数、总体值的允许范围、抽样设计集合，以及结论是否涉及唯一性与随机样本量的处理。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，无法核验最优性证明及其完整条件，也不能将结论推广到所有估计量或抽样目标。
原文摘要
We consider a finite set of units, a population. With each unit is associated a real value (unknown to us) and a label (identifying the unit). Based on the labels we may select a sample, i.e., a subset of the population, to estimate the mean of the real values. In simple random sampling (not necessarily of fixed size) the selection probabilities of all samples are not affected by a permutation of the labels. It is assumed that we have to choose both a sampling design and a linearly invariant estimator, i.e., a linear function of the observed values with the property: equality of the observed values implies that the estimate is equal to this common value. Under these conditions we should use simple random sampling together with the sample mean as an estimator. This follows from the minimax criterion.