Regression Modeling and Meta-Analysis for Decision Making
用于决策的回归建模与元分析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：摘要聚焦回归、元分析与调查决策，未明确列出因果识别、离散选择或其他给定细分框架。
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…
用于决策的回归建模与元分析
- 研究问题
- 如何把回归模型的推断转化为调查激励方案的决策依据，在降低未回应率时权衡成本、成本节省和回应率，并识别交互项的决策意义？
- 方法与思路
- 作者重新分析调查激励措施的元分析，用拟合回归模型估计不同方案的成本收益，并将结果用于纽约市社会指标调查的激励决策比较。
- 材料陈述的贡献
- 摘要称，显式分析决策问题揭示了回归模型中交互项的重要性，并展示模型推断如何用于调查激励的成本收益权衡；作者未提出一般性解决方案。
- 阅读关注点
- 阅读全文时应核对元分析如何整合不同研究、交互项怎样改变激励方案的成本收益，以及调查应用采用的决策准则和不确定性处理。
- 阅读边界
- 摘要讨论贝叶斯推断与稀疏数据下非信息先验的困难，但未说明实际采用的先验、完整模型或决策损失；应用结果的可迁移性仍须核对。
原文摘要
Regression models are often used, explicitly or implicitly, for decision making. However, the choices made in setting up the models (e.g., inclusion of predictors based on statistical significance) do not map directly into decision procedures. Bayesian inference works more naturally with decision analysis but presents problems in practice when noninformative prior distributions are used with sparse data. We do not attempt to provide a general solution to this problem, but rather present an application of a decision problem in which inferences from a regression model are used to estimate costs and benefits. Our example is a reanalysis of a recent meta-analysis of incentives for reducing survey nonresponse. We then apply the results of our fitted model to the New York City Social Indicators Survey, a biennial telephone survey with a high nonresponse rate. We consider the balance of estimated costs, cost savings, and response rate for different choices of incentives. The explicit analysis of the decision problem reveals the importance of interactions in the fitted regression model.