Improving Survey-weighted Least Squares Regression
改进调查加权最小二乘回归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：摘要讨论复杂调查加权回归，未提供所列因果、面板或其他领域细分的直接依据。
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
改进调查加权最小二乘回归
- 研究问题
- 复杂调查中的信息性抽样可能使普通最小二乘产生偏差；如何调整调查权重，在估计总体回归系数时提高效率？
- 方法与思路
- 作者提出准艾特肯加权最小二乘，将逆入样概率权重乘以协变量的参数化函数，并通过最小化方差准则选择参数。
- 材料陈述的贡献
- 摘要称，该估计量在较温和条件下对超总体回归系数保持一致，且渐近方差小于通常的调查加权最小二乘。
- 阅读关注点
- 应核对一致性所需的抽样与回归条件、权重函数的允许形式、方差准则的实现，以及渐近方差比较的具体范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件、有限样本表现和方差估计方法未说明，也不能据此推断其他版本变化。
原文摘要
Summary The weighted least squares (WLS) estimator is often employed in linear regression using complex survey data to deal with the bias in ordinary least squares (OLS) arising from informative sampling. In this paper a ‘quasi-Aitken WLS’ (QWLS) estimator is proposed. QWLS modifies WLS in the same way that Cragg’s quasi-Aitken estimator modifies OLS. It weights by the usual inverse sample inclusion probability weights multiplied by a parameterized function of covariates, where the parameters are chosen to minimize a variance criterion. The resulting estimator is consistent for the superpopulation regression coefficient under fairly mild conditions and has a smaller asymptotic variance than WLS.