Semiparametric adaptive estimation under informative sampling
信息性抽样下的半参数自适应估计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：摘要关注调查抽样与半参数效率，使用双重机器学习本身不足以归为因果推断。
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…
信息性抽样下的半参数自适应估计
- 研究问题
- 概率抽样中，抽样权重用于纠正选择偏差却未必达到效率界，如何利用权重的随机性构造更有效的目标参数估计？
- 方法与思路
- 作者将调查权重视为随机变量并推导半参数效率界，提出使用参数工作模型及去偏／双重机器学习的两类估计量。
- 材料陈述的贡献
- 摘要称两类估计量具有一致性、渐近正态性，并在正则渐近线性估计量类中有效率，另有有限模拟及加拿大调查数据应用。
- 阅读关注点
- 应核对目标参数、抽样机制与效率模型，检查权重工作模型的作用，以及机器学习版本对辅助估计和误差控制的要求。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要。摘要未说明各估计量的完整条件、具体效率收益或模型误设后果，也未明确因果目标。
原文摘要
In probability sampling, sampling weights are often used to remove selection bias in the sample. The Horvitz–Thompson estimator is well known to be consistent and asymptotically normally distributed; however, it is not necessarily efficient. This study derives the semiparametric efficiency bound for various target parameters by considering the survey weights as random variables and consequently proposes two semiparametric estimators with working models on the survey weights. One estimator assumes a reasonable parametric working model, but the other estimator does not require specific working models by using the debiased/double machine learning method. The proposed estimators are consistent, asymptotically normal, and efficient in a class of regular and asymptotically linear estimators. A limited simulation study is conducted to investigate the finite sample performance of the proposed method. The proposed method is applied to the 1999 Canadian Workplace and Employee Survey data.