Empirical Bayes Small-Area Estimation Using Logistic Regression Models and Summary Statistics
利用逻辑斯蒂回归与汇总统计量的经验贝叶斯小区域估计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：摘要围绕小区域预测与汇总统计量展开，仅使用逻辑斯蒂回归不足以将其归为离散选择或其他所列细分领域。
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…
利用逻辑斯蒂回归与汇总统计量的经验贝叶斯小区域估计
- 研究问题
- 在缺少小区域内个体微观数据时，能否仅凭区域汇总统计量预测目标参数？研究关注非线性模型下连续或分类辅助变量的使用。
- 方法与思路
- 作者利用二阶泰勒展开构造基于模型的预测，使连续或分类辅助变量情形仅需本地区汇总统计量，并以美国人口普查数据评价方法。
- 材料陈述的贡献
- 摘要所述贡献是降低非线性小区域预测的数据需求，从需要个体数据转向使用区域汇总统计量；其方法以人口普查数据进行评价。
- 阅读关注点
- 阅读时应核对所需汇总统计量、二阶展开的近似误差、经验贝叶斯步骤及预测不确定性处理，并查看人口普查评价采用何种基准。
- 阅读边界
- 摘要未说明预测精度、区域规模及经验贝叶斯估计的具体实现；能否在其他地区或辅助变量分布下保持表现，仍需阅读全文核对。
原文摘要
Many available methods for estimating small area parameters are model-based, where auxiliary variables are used to predict the variable of interest. For nonlinear models, prediction is not straightforward. MacGibbon and Tomberlin (1989) and Farrell, MacGibbon, and Tomberlin (1994) have proposed methods which require micro-data for each individual in a small area. Here, the authors use a second-order Taylor series expansion to obtain model-based predictions which only require local area summary statistics in the case of either continuous or categorical auxiliary variables. The methodology is evaluated using U.S. census data.