Estimation of design‐based mean squared error of a small area mean model‐based estimator under a nested error linear regression model
Notice bibliographique
Résumé
Abstract In this article, we propose a conditional model estimator (cmmse) for the design‐based mean squared error (dMSE) of a small area mean estimator under the basic unit level model. The mean squared error dMSE refers to the variability of a small area estimator over all possible sample selections. It is different from the model mean squared error (mMSE), traditionally used to measure the efficiency in small area estimation problems. For known model parameters, Rao, Rubin‐Bleuer & Estevao [Rao et al., Survey Methodology 2018; 44, 151–166] showed that dMSE depends on two quadratic finite population parameters. A design estimator of dMSE, denoted as dmse, is obtained by substituting the quadratic parameters with their corresponding design unbiased estimators. Rao, Rubin‐Bleuer & Estevao [Rao et al., Survey Methodology 2018; 44, 151–166] proposed a composite MSE estimator (cmse) based on both the design and the model. This estimator is defined as a weighted average between the design‐based dmse and a model‐based estimator (mmse). Given known variance components, we obtain a new formula for dMSE that accounts for the estimation of the fixed model coefficients. Our conditional model MSE estimator cmmse is obtained by replacing the quadratic finite population parameters by their best predictions under the model, in the new formula of dMSE. Properties of the proposed estimator are studied in terms of design bias, relative root mean squared error, coverage rate and a score function of the confidence intervals.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».