Optimality of Royall's predictor under a Gaussian superpopulation model
高斯超总体模型下 Royall 预测量的最优性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：摘要研究有限总体抽样中的模型预测，不是所列宏观预测或金融收益预测问题。
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
高斯超总体模型下 Royall 预测量的最优性
- 研究问题
- 在具有一般对称正定协方差矩阵的高斯超总体模型下，Royall 的模型预测量是否对给定有限总体总量具有无偏与最小均方误差性质？
- 方法与思路
- 作者在高斯超总体框架内研究有限总体总量预测，允许一般对称正定协方差结构，并将最优性结论推广到较弱的限制条件下。
- 材料陈述的贡献
- 摘要称 Royall 预测量在指定模型下是无偏最小均方误差预测量，将此前在更严格假设下得到的结果推广。
- 阅读关注点
- 应核对无偏性的概率框架、最优性比较的预测量集合、协方差是否已知，以及抽样信息与预测目标的具体定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性依赖高斯超总体框架，不能外推至非高斯情形或设计无偏意义。
原文摘要
This note shows that under the assumption of a Gaussian superpopulation model with a general symmetric and positive-definite covariance matrix, the model-based predictor of Royall (1976) is the unbiased minimum mean squared error predictor of the total of a given finite population. This somewhat anticipated result is a generalization of recent published work in which it was derived under more restrictive assumptions.