A step towards the integration of machine learning and classic model-based survey methods
迈向机器学习与经典模型型调查方法的融合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：摘要聚焦调查总体特征预测与精度评估，仅使用纵向数据不足以归为面板计量方法。
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
迈向机器学习与经典模型型调查方法的融合
- 研究问题
- 在调查统计中，如何用机器学习预测总体或子总体特征，并在模型仅有轻微偏离时，与经典模型型方法比较预测精度？
- 方法与思路
- 作者提出由机器学习支持的总体特征预测器及事前精度估计方法，并基于真实纵向数据开展子总体预测的模拟比较。
- 材料陈述的贡献
- 摘要称，该预测器在轻微模型偏离下也可成为经典方法的替代方案，事前精度估计则为两类方法的准确性比较提供工具。
- 阅读关注点
- 应核对抽样设计、预测目标、模型偏离的设定和事前误差估计公式，以及模拟如何利用纵向数据并处理样本选择与依赖。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出学习算法、精度估计条件和比较数值，不能判断具体调查中的适用性。
原文摘要
The usage of machine learning methods in traditional surveys including official statistics, is still very limited. Therefore, we propose a predictor supported by these algorithms, which can be used to predict any population or subpopulation characteristics. Machine learning methods have already been shown to be very powerful in identifying and modelling complex and nonlinear relationships between the variables, which means they have very good properties in case of strong departures from the classic assumptions. Therefore, we analyse the performance of our proposal under a different set-up, which, in our opinion, is of greater importance in real-life surveys. We study only small departures from the assumed model to show that our proposal is a good alternative, even in comparison with optimal methods under the model. Moreover, we propose the method of the ex ante accuracy estimation of machine learning predictors, giving the possibility of the accuracy comparison with classic methods. The solution to this problem is indicated in the literature as one of the key issues in integrating these approaches. The simulation studies are based on a real, longitudinal dataset, where the prediction of subpopulation characteristics is considered.