On the Generalized Bootstrap for Sample Surveys with Special Attention to Poisson Sampling
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.022 | 0.087 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".