Semiparametric Efficient Data Integration Using the Dual-Frame Sampling Framework
双框抽样框架下的半参数有效数据整合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：摘要聚焦概率与非概率样本整合的通用抽样和半参数效率理论，未明确研究因果效应、面板、时间序列或金融对象。
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
双框抽样框架下的半参数有效数据整合
- 研究问题
- 当非概率样本的纳入机制未知且可能具有信息性时，如何结合概率样本识别目标参数，并兼顾效率、模型误设与弱识别问题？
- 方法与思路
- 作者建立双框抽样半参数理论，以结果可观测的概率样本识别参数化纳入模型，另提出不依赖该纳入模型的受限增广估计。
- 材料陈述的贡献
- 摘要称第一类估计在模型正确时达到效率界，第二类在受限增广类中有效且抗纳入模型误设，并通过模拟和重复抽样展示表现。
- 阅读关注点
- 全文应核对目标参数、双框重叠和抽样信息要求、验证样本如何识别纳入参数，以及增广不变性、弱识别和辅助估计速率条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整识别条件，理想版本的效率比较不能直接外推至所有可行估计。
原文摘要
Integrating probability and non-probability samples is increasingly important, yet unknown non-probability inclusion mechanisms complicate identification and efficient estimation. We develop semiparametric theory for dual-frame data integration and propose two complementary estimators. The first models the conditional inclusion probability parametrically and, under correct specification, attains the semiparametric efficiency bound. The probability sample serves as an outcome-observed validation sample, identifying the conditional inclusion parameters without instrumental variables even under informative selection. We derive the efficient influence function while leaving the conditional distribution of the design inclusion probability unrestricted. The resulting estimating equations satisfy exact augmentation invariance, which supports both same-sample sieve estimation and pooled cross-fitting under weak nuisance-rate conditions. The second estimator, motivated by a two-stage sampling approximation, does not require a non-probability inclusion model; although not fully efficient, it is efficient within a restricted augmentation class, is robust to misspecification of the non-probability inclusion model, and its oracle version weakly dominates optimally augmented probability-sample-only inference. Simulations and a public-data repeated-sampling study show efficiency gains under correct specification and stable performance under misspecification and weak identification. Across the main simulations, the efficient procedures substantially reduce RMSE relative to probability-sample-only estimation, while the restricted estimator remains stable under inclusion-model misspecification and weak identification.