SEARCH

SEARCH BY CITATION

Keywords:

  • Regression;
  • designed-based inference;
  • causal inference

Summary

Survey calibration (or generalized raking) estimators are a standard approach to the use of auxiliary information in survey sampling, improving on the simple Horvitz–Thompson estimator. In this paper we relate the survey calibration estimators to the semiparametric incomplete-data estimators of Robins and coworkers, and to adjustment for baseline variables in a randomized trial. The development based on calibration estimators explains the “estimated weights” paradox and provides useful heuristics for constructing practical estimators. We present some examples of using calibration to gain precision without making additional modelling assumptions in a variety of regression models.

Résumé

L’estimation par calage (generalized raking) est une méthode classique permettant l’utilisation d’information auxiliaire dans le traitement de données d’enquêtes, améliorant ainsi l’estimateur traditionnel de Horvitz-Thompson. Dans cet article, nous établissons un lien entre l’estimation par calage, les estimateurs proposés par Robins et ses collaborateurs dans le cadre des données incomplétes, et l’ajustement à des variables de référence (baseline variables) dans les expériences randomisées. Le recours à des estimateurs de type calage explique le “paradoxe des poids estimés”, et fournit des heuristiques utiles dans la pratique. Nous présentons quelques exemples dans lesquels le calage permet, pour une variété de modèles de régression, des gains de précision sans modélisation additionnelle.