Sample-split REGression SREG: A robust estimator for high-dimensional survey data
样本分割回归 SREG：高维调查数据的稳健估计量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：摘要讨论的是调查抽样中的模型辅助回归估计与高维偏差修正，属于抽样调查与半参数估计方法，未直接对应所提供的微观或宏观领域细分 key。
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
样本分割回归 SREG：高维调查数据的稳健估计量
- 研究问题
- 摘要称，在辅助变量维度随样本量增长的高维调查数据中，即使工作模型设定正确，标准广义回归（GREG）估计量在信息性抽样下仍可能出现不可忽略的偏差；论文要解决这一偏差问题。
- 方法与思路
- 作者提出样本分割回归（SREG）估计量，基于 K 折交叉拟合，将每个单元的残差与折外预测配对，从而避免同一批抽样结果既用于拟合回归又用于构造残差修正的双重使用。
- 材料陈述的贡献
- 摘要称，SREG 在仅要求弱预测范数一致性、不要求回归系数根号 n 相合估计的条件下，与 oracle 差分估计量一阶等价；作者还建立渐近正态性并证明基于交叉拟合残差的方差估计量相合，且对简单随机、分层与拒绝抽样验证了关键条件波动假设。
- 阅读关注点
- 阅读全文时应核对：条件波动假设的具体形式与验证条件、K 折划分方式及折数选择、渐近正态性与方差估计所需的正则条件、模拟中偏差与效率对比的设计与适用范围。
- 阅读边界
- 以上仅依据 arXiv 预印本摘要，不能据此声称已通过同行评审或期刊接收；摘要未说明有限样本性质的具体数值、实际调查数据的应用结果，也未给出识别假设的完整表述。
原文摘要
Model-assisted regression estimation is fundamental in survey sampling for incorporating auxiliary information. However, when the auxiliary dimension grows with the sample size, the standard Generalized regression (GREG) estimator can exhibit non-negligible bias under informative sampling, even when the working model is correctly specified. This failure stems from the double use of sampled outcomes simultaneously for fitting the regression and for forming the residual correction. We propose a sample-split REGression (SREG) estimator based on K-fold cross-fitting that eliminates this bias by pairing each unit's residual with an out-of-fold prediction. The resulting estimator is first-order equivalent to the oracle difference estimator under a weak prediction-norm consistency requirement, without requiring root-n consistent estimation of regression coefficients. We establish asymptotic normality and prove consistency of a variance estimator based on cross-fitted residuals. The key conditional fluctuation assumption is verified for simple random, stratified, and rejective sampling. Simulations demonstrate that SREG effectively removes high-dimensional bias while maintaining competitive efficiency.