A unified approach to linearization variance estimation from survey data after imputation for item nonresponse
调查数据项目无应答插补后的线性化方差估计统一方法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：摘要属于调查抽样与缺失数据方差估计，未明确对应所列经济计量细分方向。
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
调查数据项目无应答插补后的线性化方差估计统一方法
- 研究问题
- 调查数据存在项目无应答并采用确定性或随机插补后，如何一致估计插补估计量的方差并评价方差估计的偏差？
- 方法与思路
- 作者提出统一的线性化与反向处理方法，应用于回归插补、分类变量分数插补、多重插补和复合插补等情形。
- 材料陈述的贡献
- 摘要称该方法可一致估计插补估计量的方差；在随机缺失机制下，具有抽样、响应与插补因子结构的模拟显示相对偏差表现良好。
- 阅读关注点
- 应核对反向处理步骤的含义、一致性所需的抽样和响应条件，以及不同插补方式下方差分解与模拟比较的具体设计。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要解读；摘要未列完整一致性条件或模拟数值，不能外推至非随机缺失或后续刊本。
原文摘要
Variance estimation after imputation is an important practical problem in survey sampling. When deterministic imputation or stochastic imputation is used, we show that the variance of the imputed estimator can be consistently estimated by a unifying linearize and reverse approach. We provide some applications of the approach to regression imputation, fractional categorical imputation, multiple imputation and composite imputation. Results from a simulation study, under a factorial structure for the sampling, response and imputation mechanisms, show that the proposed linearization variance estimator performs well in terms of relative bias, assuming a missing at random response mechanism. Copyright 2009, Oxford University Press.