一种通过自助加权k近邻人工总体实证评估小区域估计量并将其应用于森林清查的方法
统计方法学
2025-09-16 v4
摘要
国家森林清查(NFIs)监测给定国家中不同空间和时间尺度上的森林属性。由于在更小尺度上报告和管理的兴趣增加，NFIs因小区域估计(SAE)在这些尺度上精度提升的前景而调查并采用SAE。然而，针对给定应用比较和评估SAE模型本身十分困难。通常，许多区域缺乏足够数据以检验单元级建模假设或实证评估单元级预测；且无可用的真值来检查区域级估计。基于设计的人工总体模拟可帮助解决这些问题，但前提是人工总体真实代表当前应用，且构建时不使用 inherently 偏袒某一SAE模型的假设。本文中，我们借鉴随机热甲板、近似贝叶斯自助法(ABB)和k近邻(kNN)插补方法的思想，提出一种基于kNN的ABB近似(KBAABB)，用于在具有丰富单元级辅助数据时生成人工总体。我们引入构建人工总体过程的诊断检验，并演示如何使用此类人工总体进行基于设计的模拟研究，以比较和评估SAE模型，所用真实数据来自美国农业部林务局森林清查与分析计划——美国的NFI。
引用
@article{arxiv.2306.15607,
title = {A method for empirically assessing small area estimators via bootstrap-weighted k-Nearest-Neighbor artificial populations, with applications to forest inventory},
author = {Grayson W. White and Jerzy A. Wieczorek and Zachariah W. Cody and Emily X. Tan and Jacqueline O. Chistolini and Kelly S. McConville and Tracey S. Frescino and Gretchen G. Moisen},
journal= {arXiv preprint arXiv:2306.15607},
year = {2025}
}