Calibrated propensity score method for survey nonresponse in cluster sampling
整群抽样调查无应答的校准倾向评分方法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：摘要中的倾向评分用于调查无应答加权，未研究处理效应；整群抽样也未提供面板或网络方向的直接依据。
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…
整群抽样调查无应答的校准倾向评分方法
- 研究问题
- 整群抽样中应答指标可能组内相关，且缺失机制具有群组特定的不可忽略性，作者研究如何调整权重以估计总体均值或总量。
- 方法与思路
- 作者以包含群组特定不可忽略缺失的参数工作模型构造加权调整，在广义线性混合模型设定下估计均值或总量，并线性化估计方差。
- 材料陈述的贡献
- 摘要称，所提估计具有一致性，且不要求应答和结果模型的函数形式正确指定；同时提供一致方差估计及模拟与真实数据应用。
- 阅读关注点
- 应核对校准约束、不可忽略缺失的处理条件、广义线性混合模型要求，以及函数形式稳健性与方差一致性的准确适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；稳健性所需其他条件未说明，不能理解为任意模型误设下有效，也不能推断刊本变化。
原文摘要
Weighting adjustment is commonly used in survey sampling to correct for unit nonresponse. In cluster sampling, the missingness indicators are often correlated within clusters and the response mechanism is subject to cluster-specific nonignorable missingness. Based on a parametric working model for the response mechanism that incorporates cluster-specific nonignorable missingness, we propose a method of weighting adjustment. We provide a consistent estimator of the mean or totals in cases where the study variable follows a generalized linear mixed-effects model. The proposed method is robust in the sense that the consistency of the estimator does not require correct specification of the functional forms of the response and outcome models. A consistent variance estimator based on Taylor linearization is also proposed. Numerical results, including a simulation and a real-data application, are presented.