Letzten Monat das haben wir gesehen die Instances/Siena-Umfrage verwendet jetzt Energieausgleichsgewichte (Huling & Mak, 2024). In einem Spielzeugbeispielwir sahen unter welchen Ergebnismodellen diese Gewichtungsmethoden intestine funktionieren könnten. Ich wurde inspiriert von Klein 2004der gesehen hat, unter welchem Ergebnismodell der inverse wahrscheinlichkeitsgewichtete Schätzer (auch bekannt als Horvitz-Thompson) macht das intestine. Dies erklärt die schlechte Leistung des HT-Schätzers in Basus (1971) Elefanten Beispiel (welches Ich habe in meinem Beitrag Basus Bären verwendet).
Aus Klein 2004:
Andrews 2007 „Struggles“-Artikel Und das MrPlew-Papier von 2026 Gehen Sie den anderen Weg: Beginnen Sie mit einem Ergebnismodell und entfernen Sie die Gewichte. Diese Leute haben alle ziemlich hart gearbeitet. Ich fragte mich, ob ich einfach Thomas Lumleys verwenden könnte Umfragepaket um die Gewichte zu bekommen. Siehe meine Beiträge „Schwierigkeiten mit Äquivalentgewichten“ und mein anhaltende Kämpfe. Aber in der Simulation habe ich eine verwendet linear Ergebnismodell. Interessanter wäre es mit einem gewesen Logistik Ergebnismodell!
Der lineare Fall wurde in Andrews Aufsatz von 2007 behandelt. Das MrPlew-Papier von 2026 erweitert dies, indem es feststellt, dass die linearen Äquivalentgewichte Ableitungen sind, und dies verwendet, um lokal äquivalente Gewichte zu definieren, grün hervorgehoben von mir:
Dann der 2026 MrPlew Leute Verwenden Sie diese äquivalenten Gewichte, um die Zielpopulation mit der gewichteten Stichprobe als MrP-Diagnose zu vergleichen. (Im Gegensatz zu das Huling & Mak-Papier über Energieausgleichsgewichtedie Leute von MrPlew betrachten jeweils eine Kovariatenfunktion, nicht die gesamte Kovariatenverteilung auf einmal.) Eines ihrer Beispiele stammt von Lax & Phillips 2009 Schwulenrechte in den Staatenwelche Ich habe aus Stolz darüber gebloggt. In diesem Beispiel sieht das implizite Kovariaten(un)gleichgewicht für MrP nicht besonders intestine aus! Hier ist ihre Abbildung 5b:
Als Andreas gebloggt: „Es macht Sinn, dass das implizite Kovariatengleichgewicht für MRP manchmal schlechter sein kann als für Raking. MRP ist eine geglättete Model von Raking, und ungeglättetes Raking kann zu einer Überanpassung führen.“ Ja, aber hier ist es schlimmer als die rohe, unkorrigierte Bilanz! Die Autoren von MrPlew weisen hier darauf hin, dass die lokal lineare Näherung möglicherweise nur schlecht extrapoliert werden kann und dass wir uns nicht zu sehr auf diese Modellprüfung verlassen sollten. Sie sagen auch, dass „die logistische Regression im Allgemeinen die varianzgewichteten Kovariaten ausgleicht, nicht aber die Kovariaten selbst“. Ich bin froh, dass sie dieses anschauliche Beispiel aufgenommen haben, und möchte mehr darüber nachdenken.
Gedanken ?