利用调查数据中完全辅助信息的广义模型校正方法(英文)

推广了模型校正方法去估计总体和均值以外的总体参数.建议的模型校正估计可以处理任何线性或非线性的工作模型,且在线性模型的情形下变为广义回归估计.通过Kronecker积,可把模型校正方法用于估计双线性参数,特别地,去估计方差和协方差.

完全辅助信息下非参数模型校准估计方法研究

大数据时代背景下,在现代化抽样调查实践中,一方面采集到各总体单位的完全辅助信息可以实现,能够利用完全辅助信息进行抽样估计,另一方面研究变量与辅助变量之间常呈现出非线性关系。在此情况下,如果仍然采用基于部分辅助信息的线性假定下的传统校准估计方法进行抽样估计,将存在信息浪费且估计方法不适用等缺陷。为解决以上两个问题,构建了完全辅助信息下的非参数模型校准估计方法体系,首先,将已有的校准估计方法归纳为基于部分辅助信息的传统校准估计和基于完全辅助信息的模型校准估计,然后,给出完全辅助信息下非参数模型校准估计量构建的基本思路,并提出基于局部多项式和惩罚样条两种具体类型的非参数模型校准估计量。研究发现,构建的非参数估计量具有设计无偏性、渐近正态性和一致性等优良的统计性质。进一步的模拟研究表明,非参数模型校准估计方法具有很强的适应性,且估计效率明显高于HT估计量和传统的校准估计量。

利用完全辅助信息的模型校正信息论方法

本文我们提出了使用调查数据中完全辅助信息的模型校正K-L相对熵最小化方法．在估计有限总体均值时我们的估计渐近等价于MC估计(Wu and Sitter(2001))．我们方法一个有吸引力的优点是,导出的权具有特征:pi>0和■pi=0 ．这使得可把此方法应用于估计分布函数和分位数．导出的分布函数估计量FMKL(y)渐近等价于广义回归估计,且本身是一分函数布．

抽样调查中的最优广义校正估计

推广了模型校正方法去估计线性参数和双线性参数,并证明了广义模型校正估计在广义校正估计类中是最优的．

A Model-calibration Approach to Using Complete Auxiliary Information from Stratified Sampling Survey Data

在成层的调查采样，有时，我们有完全的辅助信息。基本问题之一是怎么有效地在评价阶段使用完全的辅助信息。在这份报纸，我们扩大模型刻度方法由从成层的采样调查数据使用完全的辅助信息获得有限人口平均数的评估者。我们证明产生评估者有效地在评价阶段使用辅助信息并且拥有很多个吸引人的特征例如不管工作模型并且近似 asymptotically 设计不偏在模型下面模型不偏。当一个线性工作模型被使用时，产生评估者归结为平常的刻度评估者(或 GREG ) 。

复杂调查下的模型校正推断方法(英文)

本文考虑了在无放回不等概率抽样下,当有完全辅助信息时,利用模型校正的伪经验对数似然方法去构造关于Y和F(t)的置信区间.同时考虑了非分层抽样和分层抽样的情形,定义了由模型校正估计量的设计效应调整的伪对数经验似然比函数,并导出了伪经验对数似然比函数的渐近分布.