Inference from Complex Samples
复杂抽样下的统计推断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：摘要聚焦复杂抽样设计与方差估计，未明确涉及面板、因果或其他所列细分问题。
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
复杂抽样下的统计推断
- 研究问题
- 分层与整群抽样诱导的相关性如何影响总体及子类统计量的方差，复杂抽样下的方差估计应如何比较？
- 方法与思路
- 作者讨论分层和整群设计对方差的影响，用设计效应比率 deff 衡量方差增加，并在大型实证研究中比较三种方法。
- 材料陈述的贡献
- 摘要称，分层的方差收益在复杂统计量中减弱，整群的方差增加仍会保留，并报告三种方差计算方法的实证比较。
- 阅读关注点
- 应核对抽样设计、设计效应的基准方差、子类统计量定义，以及三种方差计算方法的适用条件和比较标准。
- 阅读边界
- 仅据所给 Crossref 摘要；三种方法名称、实证数据及数值结果未说明，不能将鼓励性评价解释为某方法全面占优。
原文摘要
Summary The design of complex samples induces correlations between element values. In stratification negative correlation reduces the variance; but that gain is less for subclass means, and even less for their differences and for complex statistics. Clustering induces larger and positive correlations between element values. The resulting increase in variance is measured by the ratio deff , and is often severe. This is reduced but persists for subclass means, their differences, and for analytical statistics. Three methods for computing variances are compared in a large empirical study. The results are encouraging and useful.