Weighting in survey analysis under informative sampling
信息性抽样下调查分析的权重构造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：摘要研究信息性调查抽样下的回归加权与效率，没有明确处理效应、面板结构或其他所列细分领域的证据。
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
信息性抽样下调查分析的权重构造
- 研究问题
- 当抽样在给定协变量后仍与结果变量相关时，如何修改逆纳入概率权重，在保留估计一致性的同时减少加权引起的方差膨胀？
- 方法与思路
- 作者考察两类权重修正：乘以协变量函数，或按结果与协变量平滑权重；两者均拟合辅助权重模型，并扩展至广义线性模型。
- 材料陈述的贡献
- 摘要称研究了权重的最优构造与估计量渐近性质，给出线性化方差估计，并通过有限模拟及模型误设讨论考察表现。
- 阅读关注点
- 应核对两类权重的最优性标准、一致性所需条件、辅助模型与回归模型误设的后果，以及方差估计如何反映抽样设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；逆概率加权用于抽样校正，摘要未声称因果识别或双重稳健性。
原文摘要
Sampling related to the outcome variable of a regression analysis conditional on covariates is called informative sampling and may lead to bias in ordinary least squares estimation. Weighting by the reciprocal of the inclusion probability approximately removes such bias but may inflate variance. This paper investigates two ways of modifying such weights to improve efficiency while retaining consistency. One approach is to multiply the inverse probability weights by functions of the covariates. The second is to smooth the weights given values of the outcome variable and covariates. Optimal ways of constructing weights by these two approaches are explored. Both approaches require the fitting of auxiliary weight models. The asymptotic properties of the resulting estimators are investigated and linearization variance estimators are obtained. The approach is extended to pseudo maximum likelihood estimation for generalized linear models. The properties of the different weighted estimators are compared in a limited simulation study. The robustness of the estimators to misspecification of the auxiliary weight model or of the regression model of interest is discussed.