Small area estimation using incomplete auxiliary information
辅助信息不完整情形下的小域估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论小域估计、模型校准与 Fay-Herriot 模型等抽样调查推断方法，未涉及所给微观因果、面板、离散选择、结构估计、分位数、网络、宏观时间序列、金融等细分领域的直接文本依据，故不选择。
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…
辅助信息不完整情形下的小域估计
- 研究问题
- 摘要称，研究问题是在辅助信息来自行政等来源、往往不完整且非概率抽样的情况下，如何仍能对小域（domain）总量做出近似设计无偏的估计并提升域级精度。
- 方法与思路
- 作者提出两步小域估计：第一步用基于设计的模型校准，利用仅覆盖部分总体的非概率来源（提供研究变量的含噪代理），在概率调查与外源链接重叠样本上拟合单元层测量误差工作模型，再通过域特定模型校准约束纳入预测；第二步将域总量及其方差估计用于协变量精确已知的 Fay-Herriot 区域层模型，得到经验最佳线性无偏预测。
- 材料陈述的贡献
- 摘要称，该方法在三个官方统计企业调查场景中结合概率样本与行政记录、cut-off 数据源、网络抓取在线信息，域级精度相对直接估计和直接把代理作为易错协变量的 Fay-Herriot 基准有一致改进，且无需对非概率样本的选择机制建模。
- 阅读关注点
- 应核对：测量误差工作模型的具体形式与可识别性条件；模型校准约束如何保证近似设计无偏及其所需假设；重叠链接样本的规模与选择；方差估计是否计入第一步校准的不确定性；三个应用的数据链接方式与比较设置是否支持摘要所称改进。
- 阅读边界
- 仅凭摘要无法判断方法的理论性质、假设是否成立、模拟或应用结果的具体数值与稳健性，也无法确认与基准比较的公平性；摘要未说明选择机制不可忽略时的适用边界。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Auxiliary information is increasingly available from administrative and other data sources, but it is often incomplete and of non-probability origin. We propose a two-step small area estimation approach in which the first step relies on design-based model calibration and exploits a large non-probability source providing a noisy proxy of the study variable for only part of the population. A unit-level measurement-error working model is fitted on the linked overlap between the probability survey and the external source, and its predictions are incorporated through domain-specific model-calibration constraints to obtain approximately design-unbiased domain totals. These totals and their variance estimates are then used in a Fay-Herriot area-level model with exactly known covariates to produce empirical best linear unbiased predictors. The approach is demonstrated in three enterprise survey settings from official statistics by integrating probability sample data with (i) administrative records, (ii) a cut-off data source, and (iii) web-scraped online information. Empirical comparisons show consistent improvements in domain-level precision over direct estimation and over a Fay-Herriot benchmark that directly incorporates the proxy information as an error-prone covariate. These gains are achieved without modeling the selection mechanism of the non-probability sample.