A Class of Robust Sampling Designs for Large-Scale Surveys
大规模调查的一类稳健抽样设计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：摘要聚焦企业调查的抽样设计，未涉及所列面板、结构估计或其他具体经济计量方向。
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
大规模调查的一类稳健抽样设计
- 研究问题
- 在大规模企业与机构调查中，如何联合选择抽样设计和估计量，在保持渐近设计无偏的同时减少预期方差并避免规模分层？
- 方法与思路
- 作者提出联合估计与样本选择方案，在渐近设计无偏约束下寻求超总体模型中的最小预期方差，并与已有分层方案联系。
- 材料陈述的贡献
- 摘要称该方案在所述约束和超总体模型下具有最小预期方差，其主要优势是消除规模分层需求，并讨论与既有设计的关系。
- 阅读关注点
- 应核对抽样和估计规则、超总体模型及优化范围，区分设计无偏与模型方差结论，并查看稳健性的具体含义和适用边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模型、约束和稳健性定义未提供，不能声称对任意企业总体最优或推断刊本变化。
原文摘要
A combined estimation and selection scheme is proposed for use in the context of large-scale enterprise and establishment surveys. The estimator is asymptotically design unbiased and subject to this constraint has minimum expected variance under a superpopulation model. The main advantage of this scheme over current practice is the removal of the need for size stratification. The relation of both the current and the proposed schemes to the Royall and Hereon (1973a,b) stratified sampling schemes is also considered.