Penalized balanced sampling
惩罚平衡抽样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：文本核心是调查抽样设计与通用混合模型效率，未明确涉及给定的经济学领域细分，不能因提及时间型模型而归入宏观时间序列。
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
惩罚平衡抽样
- 研究问题
- 如何在调查抽样的设计阶段利用辅助信息与线性混合模型，使抽取的样本支持高效估计，并减少事后的权重调整？
- 方法与思路
- 作者回顾平衡抽样与立方体算法，提出选择惩罚平衡样本的实现方法，并通过理论分析和模拟考察其估计表现。
- 材料陈述的贡献
- 摘要称，该设计可减少或消除混合模型权重调整；在所述模拟中，配合Horvitz–Thompson估计优于若干常规策略。
- 阅读关注点
- 应核对惩罚目标、平衡约束与抽样概率的设置，以及响应能被辅助信息中的混合模型良好逼近时，效率结论所需的条件。
- 阅读边界
- 所给OpenAlex索引摘要未注明稿件版本，也未列出理论条件和模拟数值；所述优势不能直接推广到其他响应模型或抽样设计。
原文摘要
Linear mixed models cover a wide range of statistical methods, which have found many uses in the estimation for complex surveys. The purpose of this work is to consider methods by which linear mixed models may be used at the design stage of a survey to incorporate available auxiliary information. This paper reviews the ideas of balanced sampling and the cube algorithm, and proposes an implementation of the latter by which penalized balanced samples can be selected. Such samples can reduce or eliminate the need for linear mixed model weight adjustments, a result demonstrated theoretically and via simulation. Horvitz–Thompson estimators for such samples will be highly efficient for any responses well approximated by a linear mixed model in the auxiliary information. In Monte Carlo experiments using nonparametric and temporal linear mixed models, the strategy of penalized balanced sampling with Horvitz–Thompson estimation dominates a variety of standard strategies.