ASYMPTOTIC PROPERTIES OF WEIGHTED M -ESTIMATORS FOR STANDARD STRATIFIED SAMPLES
标准分层样本下加权 M 估计量的渐近性质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：摘要研究一般分层抽样和 M 估计理论，未明确对应所列具体应用领域。
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
标准分层样本下加权 M 估计量的渐近性质
- 研究问题
- 标准分层抽样如何影响加权 M 估计的渐近性质，在外生变量分层时，加权与不加权估计的效率如何比较？
- 方法与思路
- 作者系统研究加权 M 估计量，提出一致渐近方差矩阵估计，并在广义条件信息矩阵等式下比较效率和构造 Hausman 检验。
- 材料陈述的贡献
- 摘要称提供适用于广泛问题的简便方差估计；在所述条件下不加权估计更有效，并导出含完全稳健形式的抽样外生性检验。
- 阅读关注点
- 应核对标准分层抽样的定义、权重与抽样比例、广义条件信息矩阵等式，以及稳健 Hausman 检验的协方差构造。
- 阅读边界
- 所给 Crossref 摘要未列出完整抽样与正则条件；不加权更有效依赖明确条件，不能概括为分层样本中均无需加权。
原文摘要
I provide a systematic treatment of the asymptotic properties of weighted M -estimators under standard stratified sampling. Simple, consistent asymptotic variance matrix estimators are proposed for a broad class of problems. When stratification is based on exogenous variables, I show that the usual, unweighted M -estimator is more efficient than the weighted estimator under a generalized conditional information matrix equality. Hausman tests for the exogeneity of the sampling scheme, including fully robust forms, are derived.