کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
1145534 1489669 2014 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Second-order asymptotic theory for calibration estimators in sampling and missing-data problems
ترجمه فارسی عنوان
تئوری آستانه شناختی درجه دوم برای برآوردگرهای کالیبراسیون در نمونه برداری و مشکلات داده های از دست رفته
کلمات کلیدی
ترجمه چکیده
سه مسأله مختلف با یکدیگر را با اطلاعات کمکی در نظر بگیرید: نمونه گیری بی نهایت جمعیت یا مونت کارلو با کنترل تغییر می کند، پاسخ گمشده با متغیرهای توضیحی و پواسون و نمونه گیری واگرایی با متغیرهای کمکی را در نظر بگیرید. ما برآوردهای یکپارچه رگرسیون و احتمال را نشان می دهیم و خواص دوم مرتبه آنها را بررسی می کنیم. برآوردگرهای احتمالی مرتبه دوم مرتبه بی نظیر هستند، اما برآوردگرهای رگرسیون نیستند. برای مسئله اطلاعات گمشده و نمونه برداری، هیچ برآوردگر همیشه مورد مطالعه واریانس دوم قرار نگرفته است حتی پس از اصلاح تعصب. با این حال، برآوردگر درستی کالیبراسیون و برآوردگر رگرسیون کالیبره شده اصلاح شده، کارآمدتر از سایر برآوردگرهای تصحیح شده تعصب کارآمدتر، اگر یک مدل خطی برای انتظار احتمالی واکنش یا متغیر مطالعه برای متغیرهای توضیحی یا کمکی وجود داشته باشد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آنالیز عددی
پیش نمایش مقاله
تئوری آستانه شناختی درجه دوم برای برآوردگرهای کالیبراسیون در نمونه برداری و مشکلات داده های از دست رفته
چکیده انگلیسی
Consider three different but related problems with auxiliary information: infinite population sampling or Monte Carlo with control variates, missing response with explanatory variables, and Poisson and rejective sampling with auxiliary variables. We demonstrate unified regression and likelihood estimators and study their second-order properties. The likelihood estimators are second-order unbiased but the regression estimators are not. For the missing-data problem and survey sampling, no estimator studied always has the smallest second-order variance even after bias correction. However, the calibrated likelihood estimator and bias-corrected, calibrated regression estimator are second-order more efficient than other bias-corrected estimators if a linear model holds for the conditional expectation of the response or study variable given explanatory or auxiliary variables.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Multivariate Analysis - Volume 131, October 2014, Pages 240-253
نویسندگان
,