Robust Estimation in Finite Populations II: Stratification on a Size Variable
有限总体中的稳健估计（二）：按规模变量分层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：摘要研究有限总体抽样中的分层和平衡设计，没有面板结构或因果效应估计，不能依据抽样主题归入所列细分。
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
有限总体中的稳健估计（二）：按规模变量分层
- 研究问题
- 估计有限总体总量时，按规模变量分层如何降低超总体模型失效的影响，与平衡抽样结合后能提供何种保护？
- 方法与思路
- 作者将按规模变量分层作为抵御模型偏离的手段，研究其与平衡抽样的组合，并讨论分层定义及层间样本分配。
- 材料陈述的贡献
- 摘要称分层与平衡抽样结合，比单独使用平衡抽样提供更有效的模型失效保护，并讨论实施中的分层和分配问题。
- 阅读关注点
- 应核对依赖第一部分的模型设定、所考虑的模型偏离、保护效率的衡量标准，以及层边界和样本分配的具体规则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模型偏离范围和效率比较细节未给出，不能将组合方法的优势推广到所有总体。
原文摘要
It has been established in Part I [3] that for estimating a finite population total, the estimators which are optimal under simple super-population models can be made insensitive to certain departures from the models by the choice of balanced samples. Here stratification on a size variable is considered as another technique for protecting against model failure. Together the two techniques, stratification and balanced sampling, are shown to provide more efficient protection than does balanced sampling alone. Questions of definition of strata and of allocation of sampling units among strata are also considered.