[논문 리뷰] A general class of regression type estimators in systematic sampling under non-response

Hemant Verma, R. D. Singh외 1명|arXiv (Cornell University)|2013. 06. 26.

Survey Sampling and Estimation Techniques참고 문헌 8인용 수 3

한 줄 요약

이 논문은 비응답 상황에서의 계통 표집에 대해 보조 정보를 활용하여 정밀도를 향상시키는 일반적인 회귀 유형의 추정기 클래스를 제안한다. 일차 근사까지의 편향과 평균제곱오차(MSE) 표현식을 유도하였으며, 수치적 연구를 통해 제안된 추정기가 비응답 상황에서 기존 방법보다 MSE를 감소시키는 데 뛰어난 성능을 보임을 입증한다.

ABSTRACT

In this paper we have proposed a general class of modified regression type estimator in systematic sampling under non-response to estimate the population mean using auxiliary information. The expressions of bias and mean square error (MSE) up to the first order approximations are derived. A numerical study is included to support the theoretical results.

연구 동기 및 목표

• 비응답으로 인해 추정 효율성이 떨어지고 편향이 발생하는 계통 표집의 과제를 해결하기 위해.
• 비응답 영향을 완화하기 위해 보조 정보를 통합하는 회귀 유형 추정기의 통합 프레임워크를 개발하기 위해.
• 일차 근사까지의 제안된 추정기의 편향과 평균제곱오차(MSE)에 대한 해석적 표현식을 도출하기 위해.
• 다양한 시나리오 간 MSE를 비교하는 수치적 예시를 통해 제안된 추정기의 성능을 평가하기 위해.
• 비응답 상황에서 다양한 표집 설계에 적용 가능한 유연하고 일반화 가능한 추정기 클래스를 제공하기 위해.

제안 방법

• 제안된 방법은 연구 변수와 상관관계가 있는 보조 변수를 통합하여 비응답을 보정하는 일반적인 회귀 유형 추정기 클래스를 도입한다.
• 가중치가 보조 자료에 기반하여 수정되는 校정 접근법을 사용하여 편향과 MSE를 감소시킨다.
• 제안된 추정기의 편향과 평균제곱오차(MSE)는 일차 테일러 급수 근사를 사용하여 유도된다.
• 이 추정기 클래스는 선택된 회귀 모델과 보조 정보에 따라 다양한 파라미터 형태를 가질 수 있도록 민첩하게 설계되어 있다.
• 실제 또는 시뮬레이션된 인구 자료를 사용한 수치적 연구를 통해 제안된 추정기의 성능을 기존 방법과 MSE 측면에서 비교한다.
• 보조 정보가 응답자 및 비응답자 모두에게 가용하다는 가정을 하여, 보정 또는 보정 기법을 통해 더 나은 추정이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 비응답이 존재할 때 계통 표집에 대해 어떻게 회귀 유형 추정기를 적응시킬 수 있는가?
• RQ2 보조 정보는 비응답 상황에서 편향과 MSE 감소에 어떤 영향을 미치는가?
• RQ3 비응답 상황에서 제안된 일반적 추정기 클래스의 편향과 MSE는 기존 추정기와 비교해 어떻게 되는가?
• RQ4 제안된 추정기 클래스는 비응답 수준과 보조 변수와의 상관관계에 관계없이 효율성을 유지할 수 있는가?
• RQ5 일차 근사 하에서 제안된 추정기의 이론적 성질(편향과 MSE)은 무엇인가?

주요 결과

• 제안된 일반적 회귀 유형 추정기 클래스는 비응답 조건에서 기존 추정기보다 낮은 평균제곱오차(MSE)를 나타낸다.
• 보조 정보가 연구 변수와 강하게 상관관계가 있을 경우 제안된 추정기의 편향이 크게 감소한다.
• 편향과 MSE에 대한 해석적 표현식은 일차 근사까지 유도되었으며, 성능 평가에 대한 이론적 기초를 제공한다.
• 수치적 연구를 통해 제안된 추정기가 비응답 비율이 높을수록 기존 방법보다 MSE 감소 측면에서 뛰어난 성능을 보임을 확인하였다.
• 추정기 클래스의 민감성 덕분에 다양한 표집 시나리오와 보조 변수 구성에 적응할 수 있다.
• 결과는 보조 데이터를 통합함으로써 비응답이 계통 표집에 미치는 부정적 영향을 효과적으로 완화할 수 있음을 시사한다.