Using empirical likelihood methods to obtain range restricted weights in regression estimators for surveys
利用经验似然获得调查回归估计中的范围受限权重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：摘要聚焦调查抽样权重与经验似然计算，未提供足以归入所列经济计量细分方向的证据。
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…
关注这篇论文的作者
利用经验似然获得调查回归估计中的范围受限权重
- 研究问题
- 调查设计权重在吸收辅助信息、满足基准约束时，如何同时遵守预先指定的权重调整范围并完成计算？
- 方法与思路
- 作者以经验似然或广义回归处理权重限制，开发一般经验似然与模型校准经验似然算法，再纳入约束。
- 材料陈述的贡献
- 摘要称，一般算法具有理论收敛保证，模型校准算法较为简单；两者可适配基准约束及权重调整范围限制。
- 阅读关注点
- 核对约束可行性、算法收敛所需条件及边界权重处理，并查看经验似然与广义回归方案之间的关系。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；未给出算法步骤、可行性条件或估计误差比较，不能判断所有约束下的表现。
原文摘要
Design weights in surveys are often adjusted to accommodate auxiliary information and to meet pre‐specified range restrictions, typically via some ad hoc algorithmic adjustment to a generalised regression estimator. In this paper, we present a simple solution to this problem using empirical likelihood methods or generalised regression. We first develop algorithms for computing empirical likelihood estimators and model‐calibrated empirical likelihood estimators. The first algorithm solves the computational problem of the empirical likelihood method in general, both in survey and non‐survey settings, and theoretically guarantees its convergence. The second exploits properties of the model‐calibration method and is particularly simple. The algorithms are adapted for handling benchmark constraints and pre‐specified range restrictions on the weight adjustments.