抽样调查中无回答误差控制的研究

本文对抽样调查中无回答误差的控制进行了深刻的研究,并提出了一系列事前预防和事后补救的措施。     

抽样调查中无回答误差的有效控制

无回答误差是指在调查中由于各种原因，调查人员没能够从入选样本的单元处获得需要的信息，由于数据缺失造成估计量的偏误，这种偏误对调查数据的质量起着重要的影响。而这种现象在抽样调查中普遍存在，对估计量的危害也比较大，所以国际上对这方面的讨论一直比较热烈且对此问题的研究比较系统，而国内在这方面的研究尚不充分和完善，抽样调查实践中更是缺乏对无回答的有效控制手段。     

非抽样误差函数的构建——基于不完备抽样框下无回答误差的讨论

抽样调查中,使用不完备的抽样框及存在无回答单元是产生非抽样误差的两类主要原因。运用概率统计方法,分析抽样调查中使用三类不完备抽样框且存在无回答单元时对估计误差的影响,尝试构建基于不完备抽样框及无回答共存时的非抽样误差函数,为抽样调查中非抽样误差的定量分析与控制提供依据。     

基于回答随机性下的总体均值的估计

无回答的产生,对抽样调查结果的可信性产生了一定的影响,这引起了许多统计学者的关注.但至今仍未能找到一个比较满意的处理无回答的方法.现行的主要一些无回答处理方法,都侧重于事后对无回答数据本身的补救.文章则主要着眼于受访者的回答概率,在随机性回答下,给出了总体均值的一个估计.通过事先对总体均值给出一个大体的水平值,或者叫经验值;然后估计均值与这一水平的差距;最后在一定范围内改变这一水平值,减小了估计的方差.     

在线调查估计偏差分析及相应措施

本文以抽样调查误差分析理论为基础,根据中国互联网的具体情况,分析了目前网络在线调查产生估计偏差的原因,提出了减少估计偏差和方差的方法.     

对无回答的探讨

在抽样调查中,我们总希望能取得所要求的所有样本单位并获得关于所有样本单位特征的记录.然而实际情况并非如此,由于各种原因,我们并不能从所有的样本回答及问卷中的所有问题获得有用的数据,即对一些样本单位未能成功实现计量.我们称这类问题为“无回答”,它反映了调查活动中的一个明显‘缺陷”.下面我们对无回答的原因,无回答产生的统计影响以及减少无回答影响的方法进行一些探讨.     

双重抽样框下项目无回答插补估计方法研究

抽样调查工作中无回答情形不可避免,双重抽样框下亦如此,因此需要对双重抽样框下抽样调查项目无回答造成的估计量偏差进行纠偏校正。首先通过二重抽样获取辅助变量的信息,使用其构造比率估计量与比率型指数估计量的组合估计量对双重抽样框下抽样调查中项目无回答数据进行插补,得到对应各部分子总体的均值估计,再用Hartley估计量的形式对总体总值进行估计。通过计算估计量偏差、均方误差及最优权重系数,对比相同条件下完全回答时同类型组合估计量均方误差的相对精度损失与使用单一比率型指数估计量的相对精度损失,随机模拟结果显示损失率较低,插补方法有效。选择合适的辅助变量构造比率估计量和比率型指数估计量的组合估计量做插补值,更充分利用辅助变量和已回答研究变量信息,基于提出的组合估计量于抽样调查工作具有一定的应用价值。     

抽样调查中项目无回答的估算和替代

在抽样调查时,往往会遇到无回答情况:一种是单位无回答,另一种是项目无回答。单位无回答是指被调查单位没有接受调查,而项目无回答是指被调查单位接受了调查,但只回答了某些而非全部的问题,或者对某些项目提供的资料是无用的。项目无回答要重新调查获得准确     

处理无回答的二级抽样方法

无回答是抽样调查中较常见,也是较难处理的一个问题。本文意在介绍传统二级抽样调查方法和贝叶斯二级抽样调查方法在处理无回答问题过程中的应用,并对两者的异同作了简略的概述。     

浅议问卷调查中的无回答及其权数调整方法

本文论述了问卷调查中无回答的概念、种类、产生原因及对调查结果的影响,并介绍了对无回答进行权数调整的方法。     

抽样调查中单元无回答处理方法的选择与改进

在抽样调查中,无回答对于抽样推断的影响较大,尤其是单元无回答。通过增加样本容量来处理单元无回答的方式不能从本质上解决问题,而在二重抽样的基础上再实施复杂估计的思路可以有效地提高抽样估计的精度。     

项目无回答的预防和补救

项目无回答和单位无回答一样,会产生无回答偏差,使估计量方差增大,降低估计精度。本文详细分析了项目无回答产生的原因,提出了解决问题的办法,一是采取预防措施,降低项目无回答;二是对缺失值用替代法和推算法来补救。     

用加权调整法对无回答问题进行调整

无回答问题是抽样调查中较难处理的问题之一。无回答偏差是非抽样误差的一个重要来源,本文对无回答的统计影响进行了具体分析,并详细介绍了如何运用加权调整法对无回答偏差进行调整。     

高相关性辅助变量择优回归插补法

调查数据无回答在抽样调查中经常出现.无回答项目插补法是处理无回答的最主要方法之一,而辅助变量对提高插补值准确度非常重要.因此,研究调查数据无回答项目的高相关性辅助变量择优回归插补法,先筛选与目标变量间相关系数高的辅助变量,再建立回归插补模型.该方法的辅助变量选择过程简单,插补值准确性高.模拟例子演示了该方法的优良性.     

消除回答误差的随机化模型

同其他统计调查方法一样,抽样调查结果也会出现误差。抽样调查的误差可分为抽样误差和非抽样误差两类,其中抽样误差是由抽样的随机性引起的,是不可消除的,但我们可以对它进行估计,并控制在要求的范围内。在样本量固定的情况下,我们通过采用适当的抽样方法和估计量来最大限度地减少抽样误差,并将其控制在一定的限度内。非抽样误差是发生在回答、登记、汇总、计算等过程中的误差,我们可以通过加强统计法规建设,提高统计人员的素质来消除或减少登记、汇总、计算等过程中的误差,而回答误差由于受多种因素的影响,非常难以控制和消除。在调查项目…     

抽样调查中无回答对统计的影响及误区的控制

无回答误差是非抽样误差的一个重要来源。本文对无回答对统计的影响进行了具体分析,并针对目前经常采用的控制无回答的方法误区进行了剖析。     

如何应用EM算法处理调研中的无回答问题

获得回答完整的问答是每个调研者所期望的结果，但实际上由于各种原因，总有部分问卷为空白或回答的不完全，这就产生了无回答情况。一般的无回答情况分为两种：一种是单位无回答，另一种是项目无回答。单位无回答是指被调查单位没有接受调查，而项目无回答是指被调     

统计调查中无回答的影响及传统控制方法的不可行性

无回答误差是非抽样误差的一个重要来源。本文对无回答的统计影响进行了具体分析 ,并揭示了目前统计调查中经常采用的控制无回答的传统方法的不可行性 。     

基于少数类过采样的倾向得分匹配插补法

无回答在大数据应用中频繁发生。通常,实际数据的无回答率较低,在这样的情况下,采用倾向得分模型对无回答单元与回答单元进行匹配,易导致倾向得分匹配插补法的插补效果显著下降。为此,将合成少数类过采样算法的思想融入到倾向得分匹配插补法中,提出基于少数类过采样的倾向得分匹配插补法。利用统计模拟与实证研究,在不同无回答率、插补重数和误差分布情形下,演示新插补法的统计性质和应用效果。统计模拟显示,新插补法具有明显高于倾向得分匹配插补法的精度,统计性质受无回答率、插补重数和误差分布的影响小。实证结果显示,新插补法在实际数据中具有较好的应用性。基于少数类过采样的倾向得分匹配插补法提供了处理无回答问题的新思路,并具有较好的扩展性。     

非抽样误差成因及改进探析

一般而言，非抽样误差可分为三类，分别是：抽样框误差、无回答误差和计量误差。笔者将围绕抽样框误差、无回答和计量误差的成因及改进展开探讨。 　　一、抽样框误差： 　　所谓的抽样框误差指目标总体和抽样总体不一致时产生的误差。 　　抽样框误差有五个来源，一是不能覆盖目标总体单位。二是抽样样本包含了非目标总体单位，包含非目标总体单位主要是由于目标总体的变化产生的误差。三是复合联接。复合联接的意思就是一个目标总体单位联接着一个以上的抽样单位。比如，有的家庭拥有两个住所、两个地址，那么他们被选中的概率就是一般家…