Modelling complex survey data with population level information: an empirical likelihood approach
利用总体层面信息建模复杂调查数据：经验似然方法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：摘要属于复杂抽样与经验似然推断，未直接对应所列领域细分。
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
利用总体层面信息建模复杂调查数据：经验似然方法
- 研究问题
- 在分层、不等概率的复杂调查抽样中，如何利用总体信息对目标参数子集进行推断，同时处理其余干扰参数并构造置信区间？
- 方法与思路
- 作者采用经验似然方法，研究抽样比例可忽略时，分层单阶段和多阶段不等概率抽样下目标参数的经验似然比渐近分布。
- 材料陈述的贡献
- 摘要称经验似然比统计量渐近服从卡方分布；模拟显示其置信区间可能获得更好的覆盖率和更均衡的两侧尾部错误率。
- 阅读关注点
- 应核对总体信息如何进入经验似然、干扰参数的处理、抽样比例可忽略的作用，以及模拟中的覆盖率和尾部错误比较设计。
- 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；摘要未说明具体总体约束及其他正则条件，模拟改善不能推广至所有调查设计。
原文摘要
Survey data are often collected with unequal probabilities from a stratified population. In many modelling situations, the parameter of interest is a subset of a set of parameters, with the others treated as nuisance parameters. We show that in this situation the empirical likelihood ratio statistic follows a chi-squared distribution asymptotically, under stratified single and multi-stage unequal probability sampling, with negligible sampling fractions. Simulation studies show that the empirical likelihood confidence interval may achieve better coverages and has more balanced tail error rates than standard approaches involving variance estimation, linearization or resampling.