Jackknife Variance Estimation under Imputation for Estimators Using Poststratification Information
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
Abstract Poststratified estimators are commonly used in sample surveys to improve the efficiency of estimators and to ensure calibration to known poststrata counts. Similarly, generalized regression estimators are used to handle two or more poststratifiers with known marginal counts. In addition, weighting adjustment within weighting classes is used to handle unit nonresponse, and imputation within imputation classes is used to handle item nonresponse. For the full response case, asymptotic consistency of the jackknife variance estimator under stratified multistage sampling is established using mild regularity conditions on “residuals” similar to those of Scott and Wu for ratio and regression estimation under simple random sampling. A jackknife linearization variance estimator, obtained by linearizing the jackknife variance estimator, is also given. For unit nonresponse, the general case of poststrata cutting across weighting classes is considered, and a jackknife variance estimator and the corresponding jackknife linearization variance estimator are obtained. For item nonresponse, weighted mean imputation and weighted hot deck stochastic imputation within imputation classes are studied. Jackknife variance estimators, based on “adjusted” imputed values, are proposed, and the corresponding jackknife linearization variance estimators are obtained. Asymptotic consistency of the jackknife variance estimator is established for both the unit and item nonresponse cases under mild conditions on “residuals,” assuming uniform response within classes. Simulation results for the poststratified estimator under weighted mean imputation and weighted hot deck stochastic imputation are presented.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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