A Nonparametric Method for Benchmarking Survey Data via Signal Extraction
通过信号提取对调查数据进行基准校准的非参数方法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：摘要以平稳信号协方差、信号提取和ARIMA模型比较为核心，直接涉及时间序列方法。
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…
通过信号提取对调查数据进行基准校准的非参数方法
- 研究问题
- 调查数据需要通过信号提取进行基准校准时，如何估计潜在信号平稳部分的协方差，并减少对特定ARIMA模型的依赖？
- 方法与思路
- 作者非参数估计潜在信号平稳部分的协方差矩阵，据此完成信号提取与基准校准，并与既有回归校准及ARIMA信号提取方法比较。
- 材料陈述的贡献
- 摘要称讨论与模拟表明方法可行且稳健，其效率接近已知真实信号模型时的信号提取法，但未给出具体比较数值。
- 阅读关注点
- 应核对协方差估计如何保证可用性、基准约束怎样进入信号提取，以及模拟中的信号结构、样本长度和效率评价指标。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明稳健性的定义与模拟范围，“接近效率”不能视为所有信号模型下的结论。
原文摘要
This article introduces a nonparametric method to estimate the covariance matrix for the stationary part of the signal (hidden in data), to enable benchmarking via signal extraction. Some discussions and simulations are carried out to compare the proposed benchmarking method to the regression method development by Cholette and Dagum and the signal extraction method developed by Hillmer and Trabelsi suggesting autoregression integrated moving average (ARIMA) models for the signal. The results show that the nonparametric method is feasible, robust, and almost as efficient as the signal extraction method when the true model for the signal is known.