A Jackknife Variance Estimator for Unistage Stratified Samples with Unequal Probabilities
不等概率单阶段分层抽样的刀切法方差估计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：摘要讨论调查抽样的通用方差估计，未明确关联所列计量领域细分。
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
不等概率单阶段分层抽样的刀切法方差估计
- 研究问题
- 在不等概率、不放回的单阶段分层抽样中，如何修正现有刀切法可能严重高估方差的问题，并保持计算简便？
- 方法与思路
- 作者提出新的刀切法方差估计量，在正则条件下研究其一致性，验证 Rao–Sampford 设计的高熵条件并比较三种抽样设计。
- 材料陈述的贡献
- 摘要称，新估计量与既有方法数值上同样简便，在规定条件下一致；三种不等概率抽样设计的经验研究支持其分析。
- 阅读关注点
- 应核对刀切权重、分层抽样的渐近框架与高熵条件，并检查经验研究中真实方差的计算方式和各设计的表现。
- 阅读边界
- 依据版本未注明的索引摘要；正则条件与经验比较数值未给出，一致性结论不能推广到任意不等概率抽样设计。
原文摘要
Existing jackknife variance estimators used with sample surveys can seriously overestimate the true variance under unistage stratified sampling without replacement with unequal probabilities. A novel jackknife variance estimator is proposed which is as numerically simple as existing jackknife variance estimators. Under certain regularity conditions, the proposed variance estimator is consistent under stratified sampling without replacement with unequal probabilities. The high entropy regularity condition necessary for consistency is shown to hold for the Rao–Sampford design. An empirical study of three unequal probability sampling designs supports our findings.