A unified approach to robust estimation in finite population sampling
有限总体抽样中稳健估计的统一方法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：摘要讨论有限总体抽样与稳健估计的一般方法，没有足够证据归入指定经济计量细分。
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…
有限总体抽样中稳健估计的统一方法
- 研究问题
- 有限总体抽样中，如何衡量样本单位的影响并降低极端影响单位带来的效率损失，同时兼顾模型推断与设计推断？
- 方法与思路
- 作者以样本单位的条件偏差衡量影响，对影响最大的单位降低权重，并提出调节常数的确定方法，讨论不同抽样设计下的关系。
- 材料陈述的贡献
- 摘要称，所提估计量可用于多数实际抽样设计，并具有一致性；模拟提示，当总体含潜在高影响单位时可提高非稳健估计的效率。
- 阅读关注点
- 应核对条件偏差的定义与可估计性、调节常数规则、一致性所需条件，以及降权引入的偏差和不同设计下的效率比较。
- 阅读边界
- 所给 OpenAlex 摘要未列出一致性条件、具体设计范围或模拟幅度；效率改善依赖高影响单位设置，不能视为普遍优势。
原文摘要
We argue that the conditional bias associated with a sample unit can be a useful measure of influence in finite population sampling. We use the conditional bias to derive robust estimators that are obtained by downweighting the most influential sample units. Under the model-based approach to inference, our proposed robust estimator is closely related to the well-known estimator of Chambers (1986). Under the design-based approach, it possesses the desirable feature of being applicable with most sampling designs used in practice. For stratified simple random sampling, it is essentially equivalent to the estimator of Kokic & Bell (1994). The proposed robust estimator depends on a tuning constant. In this paper, we propose a method for determining the tuning constant and show that the resulting estimator is consistent. Results from a simulation study suggest that our approach improves the efficiency of standard nonrobust estimators when the population contains units that may be influential if selected in the sample. Copyright 2013, Oxford University Press.