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：摘要明确涉及平稳信号的协方差、信号提取及 ARIMA 比较，直接对应时间序列方法，但未说明宏观应用。
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
- 如何非参数估计观测数据中隐藏信号的平稳部分协方差，使调查数据能够通过信号提取进行基准校准并减少模型依赖？
- 方法与思路
- 作者提出信号平稳部分协方差矩阵的非参数估计，用于基准校准，并通过讨论与模拟对比回归方法及指定 ARIMA 信号的方法。
- 材料陈述的贡献
- 摘要称，该非参数方法可行且稳健，其效率接近已知真实信号模型时的信号提取方法；具体比较依据来自文中讨论与模拟。
- 阅读关注点
- 应核对隐藏信号与观测误差的分解、平稳部分协方差的估计步骤、基准约束，以及稳健性和接近效率的评价条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；信号与误差假设、效率指标和数值未说明，不能推断对任意模型错设均稳健。
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.