Bregman projection for calibration estimation in Survey Sampling
调查抽样校准估计中的 Bregman 投影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：摘要主题为调查抽样的校准加权与估计量渐近理论，属于抽样推断方向，与所列微观、宏观、金融各领域细分均无直接文本对应，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…
关注这篇论文的作者
调查抽样校准估计中的 Bregman 投影
- 研究问题
- 摘要称，研究如何将校准加权从传统的乘性比率尺度距离，推广到直接定义在权重向量上的 Bregman 散度框架，并考察由此得到的估计量性质与扩展。
- 方法与思路
- 作者提出以 Bregman 散度统一刻画校准问题，指出权重空间与乘子空间的优化问题本身都是 Bregman 投影，校准权重满足关于约束流形的广义勾股分解；并构造对比熵生成元、交叉拟合与正则化两类扩展。
- 材料陈述的贡献
- 摘要称该框架揭示了原对偶对称性，所得估计量渐近等价于回归系数显式依赖 Bregman 生成元的去偏预测估计量；识别出在泊松抽样下达到设计最优的对比熵生成元，并给出非概率抽样下的双重稳健推断与高维辅助变量下的软平衡惩罚。
- 阅读关注点
- 应核对 Bregman 投影与广义勾股分解的成立条件、去偏预测估计量渐近等价所需的识别假设、设计最优性的具体含义与范围，以及双重稳健结论所依赖的乘积率条件与交叉拟合细节。
- 阅读边界
- 仅凭摘要无法判断定理假设、渐近论证的严格性、模拟设定与 NOAA 调查分析的具体结果；摘要未说明正则化扩展的调参方式与有限样本表现。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Calibration weighting is a fundamental tool in survey sampling for incorporating auxiliary population information into design-based estimators. Classical formulations measure distance between calibrated and design weights on the multiplicative ratio scale. We develop a unified framework based on Bregman divergence defined directly on the weight vector. The framework reveals a primal--dual symmetry in which both the weight-space and multiplier-space optimization problems are themselves Bregman projections, and the calibrated weights satisfy a generalized Pythagorean decomposition with respect to the constraint manifold. The resulting estimator is asymptotically equivalent to a debiased prediction estimator whose regression coefficient depends explicitly on the Bregman generator, in contrast to the generalized regression estimator equivalent of classical calibration. Exploiting this dependence, we identify a contrast-entropy generator that achieves design-optimality under Poisson sampling. Two extensions are developed: cross-fitted estimation under non-probability sampling, yielding doubly robust inference under standard product-rate conditions; and a regularized extension whose Lagrangian dual produces a Hölder-conjugate penalty for soft balance under high-dimensional auxiliary variables. Simulations and an analysis of National Oceanic and Atmospheric Administration (NOAA)'s Large Pelagics Intercept Survey illustrate the framework.