On the Generalized Bootstrap for Sample Surveys with Special Attention to Poisson Sampling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Résumé Nous étudions la technique du bootstrap généralisé pour des plans de sondage généraux. Nous nous concentrons principalement sur l’estimation bootstrap de la variance mais nous étudions également les propriétés empiriques des intervalles de confiance bootstrap obtenus en utilisant la méthode des percentiles. Le bootstrap généralisé consiste à générer aléatoirement des poids bootstrap de telle sorte que les deux (ou plus) premiers moments selon le plan de l’erreur d’échantillonnage soient approchés par leurs moments correspondants selon le mécanisme bootstrap. On peut voir la plupart des méthodes bootstrap dans la littérature comme étant des cas particuliers du bootstrap généralisé. Nous discutons de considérations telles que le choix de la distribution utilisée pour générer les poids bootstrap, le choix du nombre de répliques bootstrap et la présence possible de poids bootstrap négatifs. Nous décrivons d’abord le bootstrap généralisé pour l’estimateur linéaire de Horvitz‐Thompson et considérons ensuite les estimateurs non linéaires tels que ceux définis au moyen d’équations d’estimation. Nous développons également deux façons d’appliquer le bootstrap à l’estimateur par la régression généralisée du total d’une population. Nous étudions plus en profondeur le cas de l’échantillonnage de Poisson qui est souvent utilisé pour sélectionner des échantillons dans les enquêtes sur les indices de prix effectuées par les agences statistiques nationales dans le monde. Pour l’échantillonnage de Poisson, nous considérons une approche par pseudo‐population et montrons que les poids bootstrap qui en résultent capturent les trois premiers moments sous le plan de l’erreur d’échantillonnage. Nous utilisons une étude par simulation et un exemple avec des données d’enquêtes réelles pour illustrer la théorie.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle