Empirical likelihood estimation for finite populations and the effective usage of auxiliary information
有限总体经验似然估计与辅助信息的有效利用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：摘要属于有限总体抽样与通用经验似然理论，分位数表示本身不足以支持微观分布效应分类。
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
有限总体经验似然估计与辅助信息的有效利用
- 研究问题
- 在有限总体推断中，如何利用已知总体辅助信息改善估计精度，并刻画经验似然分位数估计的渐近性质和模拟表现？
- 方法与思路
- 作者将经验似然用于有限总体辅助信息的整合，比较渐近方差，给出样本分位数的 Bahadur 型表示，并开展模拟比较。
- 材料陈述的贡献
- 摘要称，所得估计相较不使用辅助信息的通常估计具有更小渐近方差；模拟中表现良好，并呈现作者所称的模型稳健性。
- 阅读关注点
- 应核对抽样设计、辅助信息的形式和约束、方差比较所用基准，以及分位数表示与模型稳健性成立的具体条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；方差优势针对摘要所述基准，不能推广为优于所有利用辅助信息的估计方法。
原文摘要
SUMMARY In finite population inference problems, auxiliary population information is often available. We show in this paper that the empirical likelihood method can be naturally applied to such problems to make effective use of the auxiliary information. We prove that the resulting estimates have smaller asymptotic variances than the usual estimates which do not use auxiliary information. A Bahadur-type representation for empirical likelihood sample quantiles is given. Simulation results show that the empirical likelihood estimates perform well among a number of competitors and are model robust.