Simple design-efficient calibration estimators for rejective and high-entropy sampling
拒绝式与高熵抽样下简便且设计有效的校准估计量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：摘要聚焦调查抽样与校准估计的一般方法，未明确涉及面板、因果效应或所列其他细分方向。
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
拒绝式与高熵抽样下简便且设计有效的校准估计量
- 研究问题
- 当辅助变量总体总量已知或所有总体单位均有辅助信息时，如何在拒绝式或高熵抽样下构造简便且设计有效的校准估计？
- 方法与思路
- 作者把独立同分布缺失数据问题中的有效估计方法推广到调查抽样，分别处理已知辅助总量和总体辅助信息完整的情况。
- 材料陈述的贡献
- 摘要称方法解决设计效率依赖线性超总体模型和最优回归估计难以简化的问题，并讨论非线性模型误设下的有效估计。
- 阅读关注点
- 应核对设计效率的参照界、两种抽样设计的条件、辅助信息要求，以及加权 Kullback–Leibler 距离的具体作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；高熵条件、估计公式和误设容忍范围未说明，不能推定适用于任意调查抽样设计。
原文摘要
For survey calibration, consider the situation where the population totals of auxiliary variables are known or where auxiliary variables are measured for all population units. For each situation, we develop design-efficient calibration estimators under rejective or high-entropy sampling. A general approach is to extend efficient estimators for missing-data problems with independent and identically distributed data to the survey setting. We show that this approach effectively resolves two long-standing issues in existing approaches: how to achieve design efficiency regardless of a linear superpopulation model in generalized regression and calibration estimation, and how to find a simple approximation in optimal regression estimation. Moreover, the proposed approach sheds light on several issues that seem not to be well studied in the literature. Examples include use of the weighted Kullback–Leibler distance in calibration estimation, and efficient estimation allowing for misspecification of a nonlinear superpopulation model.