汽车客运企业应建立分班次实载率统计台帐

汽车客运企业应建立分班次实载率统计台帐浙江省丽水地区汽车运输公司何赤峰汽车客运企业的车辆通常按循环班次计划运行,而汽车客运企业传统的业务统计却按单车统计实载率和其他效率指标。这样,统计数据对判断个别班次的合理性作用不大,有时单车实载率与某个班次实载率有很大差异,以致影响了对个别班次实载率变化的因素分析。     

关于抽样调查中多层次调查问题的探讨

现在越来越多的调查需要在估计总体目标变量的基础上估计各个层次的目标变量,即多层次调查问题。文章从抽样设计的角度介绍了两种样本追加的方法和利用永久随机数的样本追加方法,这两种方法可以更好地解决多层次调查问题。     

分层抽样中分层界限的优化设计

文章主要研究在分层抽样中如何进行恰当地分层,以便尽可能提高分层抽样的估计精度。主要研究了三种分层标志,即定性的辅助信息、研究变量和辅助变量,以及在各种分层标志下确定适当的分层界限,使得估计量方差最小。     

复合分组可应用于抽样调查

1.抽样技术中,最常用的是分层抽样。将抽样的总体按某个标志划分为一些群体即“层”,实际上也就是分组。因此“分层”抽样也就是“分组”抽样。分层抽样的优点主要在于可提高抽样估计的效率。即在样本容量一定时有较小的估计标准误。这一优点正是由分组的功能而来。复合分组可以更充分地发挥分组的功能,在分层抽样中,如果能选用对所调查的变量有较密切关系的标志,可采用复合分组,即形成一种复合分层抽样,它能进一步提高抽样估计的效率。复合分层抽样之所以能比一般的分层抽样有更高的估计效率,是由于进行复合分组后,各组所包含单位在性质上更加一致,使得变量值之间的变异更小,即组内方差比单一分组时更小.2.如何用一套统一的样本来进行多变量估计并能有令人满意的效果?将总体进行复合分组后再抽样,是解决此问题的一种可供选择的方案。从经过复合分组的总体中所抽出的同一个样本,可以对两个变量分别按各自的有关标志作分层抽样的估计,具备比纯随机抽样显著高的估计效率.若总体较大,进行复合分组有实际困难,可采用双重抽样来解决分组问题。     

基于多重插补的分层抽样估计方法与应用

依据一定的抽样方法在动态总体中选定的样本，在前后两期调查中会出现部分样本丢失的情况，从而导致部分样本调查数据的缺失，如果直接忽视丢失样本信息，则会降低样本的有效性，影响总体参数估计的精度。文章针对动态总体分层抽样中前后两期样本出现丢失的情况，将前期样本信息在第二期内消亡和新生的样本视为不可观测样本，采用多重插补技术对丢失样本目标变量值进行估计，设计出基于多重插补技术的第二期分层样本的参数估计方法，并构造相应的估计量。实验表明，基于多重插补技术的分层抽样具有优良性，设计的参数估计量具有无偏性，且较为有效。     

多目标双重事后分层抽样中辅助变量的选择

文章对多目标双重事后分层抽样中辅助变量的选择提出了改进方法,对提高调查精度和减少调查费用有一定帮助.     

工业企业分层抽样估计精度控制方法研究

分层抽样是适合我国工业企业抽样调查采用的一种抽样组织方式。在实践中，如何进行分层抽样估计精度的控制，是重要问题之～。我们认为，从具体的组织实施上看，分层抽样估计的精度控制除了常规的总体控制法外，还可以有其他两种控制法：分层控制法和双重控制法。它们各具特色，各有应用价值。下面，本文拟就此作一探讨。一、总体控制法所谓总体控制法，就是只控制总体参数（如总体均值）的抽样估计精度而不论各层参数内层均值）的估计精度的高低。其～般过程是：先确定总体参数估计精度，再计算抽样估计所需的总体样本容量，然后再分配各层…     

浅谈系统抽样和分层抽样

抽样调查是一种很重要的统计非全面调查方法，它在实际中应用很广。而系统抽样和分层抽样作为两种完全不同的抽样调查组织形式，因为二者有相似之处，在实际工作中常常被混为一谈，有人甚至用分层抽样的误差公式代替系统抽样的误差公式，其结果导致了调查误差的增大。本文从二者定义出发，对这两种抽样调查组织形式进行了分析，并通过实例证明了二者存在着实质性差别，并对系统样本的抽样方差与分层样本的抽样方差之联系进行了分析和探讨     

向量乘积误差模型似然估计初值选取

文章针对VMEM似然估计初值选取问题展开讨论.依据现有的理论方法,提供了两种估计初值的方法:矩估计和迭代ACD估计,利用两种方法得到的初值在给定的条件下都具有一致性,为VMEM参数似然估计初值选取提供重要依据.     

基于多元分析的多变量事后分层抽样方案设计

现有的多变量事后分层抽样方案大多依赖辅助变量.文章基于因子分析和聚类分析技术,充分利用调查指标信息,设计了一种新的抽样方案.该方案在抽样精度和调查费用间达到了较好的平衡,适用于调查指标较多的抽样调查.     

基于综合应急模型的道路突发事件应急预案的改进

文章以道路客运为例,分析我国道路运输企业在应对诸如恐怖袭击、自然灾害等突发事件时,可能遇到的一系列困难,基于道路客运综合应急模型,制定并完善应急预案体系,努力营造"和谐、公平、竞争"的道路运输市场环境。结合相关的理论知识,提出一系列应对措施,以供决策参考。     

存在测量误差时分层抽样层均值方差的估计

利用模型的方法研究出现测量误差时多变量间的关系是目前国际上的流行方法,但这不利于对单指标的估计。因此,通过在估计量的设计中纳入测量误差信息,推导测量误差方差的定量测度方法,实现了存在测量误差时分层抽样各层均值方差的估计。采用2007年广东省三个市（县）城镇住户调查中的人均消费性支出数据进行实证分析,定量测度了测量误差在层均值方差估计中的大小及其影响,并对不考虑测量误差的估计结果进行了修正。     

基于最佳线性无偏估计的模型权数的小域估计

文章介绍了一种基于EBLUP的模型权数的小域估计方法.这种估计方法一方面使小域的目标估计量是加权线性组合,从而使估计过程以及均方误的估计更加简单;另一方面得到的估计量不依赖于模型的假定,是一种稳健的估计量.文章还通过一个简单的模拟案例说明了这种估计量的稳健的性质,说明这种估计方法是一种非常符合实际调查情况的小域估计方法.     

基于排序集抽样方法的调查费用分析

排序集抽样是利用辅助信息收集数据的一种有效方法,基于该抽样方法进行统计推断越来越受到人们的重视。然而,已有的研究结果仅考虑统计推断的效率而忽视了调查费用,鉴于此,文章考虑估计精度和调查费用两个方面,基于排序集样本建立了总体均值的估计量,证明了该估计量在给定的估计的精度下,降低了调查费用,并通过实例进一步说明了该抽样方案的优良性。     

基于“三新”企业分层抽样单元权重动态调整的估计方法

对“三新”企业进行抽样调查是及时掌握和监测“三新”经济发展的重要手段。考虑到这一类调查总体单元变动比较迅速,抽样框信息变动大,无法及时覆盖总体的最新特征,依此抽样框得到的样本数据结构与总体的分布结构差异较大,样本的代表性较低,会对总体数量特征的有效估计产生影响。因此,基于调查总体单元的变动特征,把抽样框中的单元划分为保留单元和转移单元,在此基础上,依据样本单位分层结构的变动,设计了基于“三新”企业分层抽样单元权重动态调整的估计方法。首先,通过事后分层方法挖掘出不同层的单位特征,并预测抽样框各层容量;其次,依据层规模的变动预测对目标变量估计量的权重进行修正;最后,通过自我加权设计构造出总体动态变动后数量特征的复合估计量,并对其进行优良性讨论。在对“三新”企业的模拟数据进行多次重复抽样实验中,相比于固定抽样框下的传统方法,基于分层抽样单元权重动态调整的估计方法具有更高的抽样效率,构造的关于总体数量特征的估计量具有无偏性和有效性。     

轮换样本调查的轮换模式设计与估计方法

文章以我国城市住户调查的轮换模式设计为例,研究了轮换样本调查中的轮换模式设计与估计方法等问题.不完全单水平轮换模式是轮换样本调查中非常理想的一种轮换模式,既吸收了单水平轮换模式的优点,又充分体现了轮换样本调查的优势.文章所研究的这套轮换模式设计与估计方法不仅适合在我国城市住户抽样调查中使用,而且也可推广应用到我国政府统计部门开展的其他类型的连续性抽样调查中.     

我国最低工资抽样调查方案的设计

文章提出了一套适合我国国情的最低工资抽样调查方案。首先,构建了最低工资调查的抽样框,并运用双重抽样框等方法解决了企业名录框不完整的难题;然后,利用可获得的辅助信息设计了分层PPS二阶抽样和分层PPS整群抽样两种抽样方案,给出了具体的实施步骤,以供实际部门选择,同时推导出两种抽样方案下总体目标量的估计及相应的方差估计公式。     

随机右截尾保险寿命数据的非参数回归估计

文章分别运用bagged最近邻估计与kn-最近邻估计的非参数回归方法对随机右截尾假定下的保险寿命数据进行估计,分析了两种估计的收敛速度,并对两种估计的估计精度通过随机模拟方法进行比较,结果显示bagged最近邻估计优于kn-最近邻估计。     

基于非平衡面板数据的总体比例变动的检验方法

文章针对添加新生单元固定样本纵向调查设计和非平衡面板数据,研究不等比例抽样情形下,两个连续时点间总体比例变动的显著性检验方法.基于两种处理重叠样本的思路和对随机抽样情形下相关研究方法的改进,提出了两种新方法,用来估计不等比例抽样情形下总体比例之差的方差,进而检验总体比例变动的显著性.     

结构方程模型中估计收敛问题的Monte Carlo仿真

在结构方程模型的估计中,估计过程不收敛和不恰当的估计结果是两种不能正确完成估计的情况;特别是分析有序分类数据时,这两种现象发生的机会更高。Monte Carlo仿真研究被用来调查样本量、分类数、模型复杂度、数据的偏态分布以及不同参数估计方法对模型正确收敛率的影响。文章研究发现,小样本、复杂度高的模型,高偏态的数据分布和较少的分类数都有可能造成不收敛和不恰当的估计结果;另外,使用DWLS估计法时,模型正确收敛的可能性最大。