On π-inverse weighting versus best linear unbiased weighting in probability sampling
概率抽样中纳入概率倒数权重与最佳线性无偏权重的比较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：摘要讨论抽样设计与均值估计，加权本身不足以归入因果推断或其他所列细分。
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…
关注这篇论文的作者
概率抽样中纳入概率倒数权重与最佳线性无偏权重的比较
- 研究问题
- 作者研究不等概率抽样下有限总体均值的渐近设计无偏估计，关注前置回归系数估计使用不同权重是否影响一阶效率。
- 方法与思路
- 作者比较纳入概率倒数权重与最佳线性无偏权重，考察它们在回归系数估计中如何影响最终有限总体均值估计。
- 材料陈述的贡献
- 摘要称，两种加权方案在一阶效率上相同；论文据此推进将模型推断纳入概率抽样原则的理论组织方式。
- 阅读关注点
- 应核对抽样设计、辅助变量与回归系数的设定，渐近设计无偏的具体含义，以及一阶等效是否留下高阶或有限样本差异。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未给出抽样与渐近条件，一阶效率相同不能推出有限样本风险或全部性质相同。
原文摘要
This paper deals with two schemes, π-inverse weights and best linear unbiased weights, for weighting of observations drawn by unequal probability sampling methods. The context is that of constructing an asymptotically design-unbiased estimate of the mean of a finite population. Estimation of regression coefficients is needed as a preliminary step, and it is here that the question of weighting enters. The conclusion is that the two schemes are equally efficient as far as first-order efficiency goes. The paper takes a step towards the structuring of model-based inference within the principles of probability sampling.