论属性总体方差估计

计算抽样平均误差需要总体方差,总体方差通常未知,可以用样本方差代替总体方差。用样本方差替代属性总体方差是一个经常遇到的问题。文章阐述了在简单随机抽样时,因抽样方法不同,属性总体方差的无偏估计量是三种不同的形式,而一般理论书籍叙述的属性总体方差的无偏估计量是一种形式。用样本方差估计总体方差,只有样本调整方差才是总体方差良好的估计量,特别是在小样本的条件下比使用样本方差更为合理     

均值已知正态总体方差的区间估计

未知参数的区间估计是一种非常重要的统计推断形式.文章从单个正态总体入手,用枢轴量法在均值已知条件下提出总体方差的一种置信区间,并将该置信区间与常用的总体方差的置信区间进行比较,从而说明常用的总体方差的置信区间的合理性.     

PPS抽样下子总体参数的估计

本文讨论PPS抽样下子总体参数的估计,给出基于PPS总体抽样和基于总体抽样及子总体追加PPS抽样的子总体参数的估计量,并分析了估计量的性质.     

用PPS单级整群样本估计总体的个体间方差

文章主要通过构思以PPS抽样方式抽取单级整群样本,在已用样本资料算出在某总体应用该抽样方案的设计效应的基础上,为推算下一个调查期对该总体依照该方案抽取样本时所需样本量的过程中,讨论如何用PPS单级整群样本来构造总体的个体间方差的无偏估计量的问题.     

基于两正态方差比的参数灰色估计研究

两个正态总体方差比的区间估计理论是现代数理统计学的基本理论,但经典数理统计学的参数估计理论是基于随机的明确性数据构建的理论.但实际经济社会中存在大量不明确性数据,如模糊、灰色等数据信息,面对这类不明确性数据,如何进行符合现实的科学合理地估计和推断.在随机数据的置信区间理论基础上,文章借助灰色系统的基本理论,构建两个正态总体方差比的参数灰色估计理论,提供比置信区间理论更多的信息.     

方差分量的改进估计

对含两个方差分量的一般线性混合模型,对其随机效应方差分量的组合谱分解估计进行改进.在正态假设下,考虑了一个不变估计类,证明了在均方误差意义下,在该估计类中不存在一致最优估计,但在一个重要子估计类中,找到了一致最优估计,并用截断方法得到了优于组合谱分解估计正部的正估计.     

论总体方差在抽样中的表述

简单随机抽样计算抽样方差需要总体方差。可是总体方差在表述时有两种形式。在一般叙述中不加以区分读者就不清楚是总体方差的那一种表述形式。这种情形影响了抽样方法的实施,也影响了《统计学》、《概率论与数理统计》、《抽样调查》等课程的衔接与联系,形成总体方差长期的误用。这种情形进而也影响了整群抽样、分层抽样和多阶段抽样等组织形式。文章侧重澄清总体方差在简单随机抽样中的误用。     

对区间估计和总体参数假设检验思想一致性的思考

区间估计和假设检验是统计推断中的重要内容,这部分内容不太容易理解,是统计教学的一个难点,笔者想就这两部分内容谈谈自己的一点学习体会,供商榷. 一、深入理解统计推断中的核心概念     

基于倾向值加权的网络调查总体参数Horvitz-Thompson估计

基于倾向值加权方法,构造了网络调查总体参数的Horvitz-Thompson无偏估计量,并对其方差进行了讨论,分析了利用插补缺失数据后的网络调查样本进行总体参数估计的方差来源,在网络调查总体参数估计方面提出了新的思路和方法。     

异方差下多个正态总体共同均值的参数bootstrap推断

文章使用参数bootstrap (PB)方法考虑了当方差未知且可以不相等时多个正态总体共同均值的假设检验和置信区间构造问题.基于共同均值一个著名估计,提出了一种参数bootstrap统计推断方法,并借助Mon-te Carlo方法与经典的近似解法和广义推断方法进行了比较.随机模拟结果表明,就第一类错误概率和覆盖率而言,参数bootstrap推断方法表现更好.参数bootstrap方法不仅具有满意的第一类错误概率和覆盖率,而且具有良好的检验功效和置信区间平均长度表现.     

正态总体下参数的优化极大似然估计方法

文章讨论了一种新的抽样方法,基于这一抽样方法提出了样本参数的优化极大似然估计,并进一步与简单随机抽样下的参数的极大似然估计结果作比较,从估计渐进效率的角度说明了该方法的优良性。     

有限总体的估计——基于超总体模型

抽样调查下有限总体的估计,一般是基于传统抽样设计,另一种是基于超总体模型,即假定总体取值不是确定的,而是由超总体模型产生的。本文以简单随机抽样和抽样为例,揭示了在不同情况下,如何得到超总体模型下有限总体的估计,并对基于设计和基于模型两种观点进行了比较分析。     

通过对辅助变量的线性转化来改进比率估计

一、问题的提出在抽样调查中,比率估计方法是一种普遍应用的估计方法。在实践中,我们往往根据总体及辅助信息的特点建立不同的比率模型,然后再从该模型中得出不同的比率估计量。下面我们考虑一种最常用的比率模型ξ:假设x1,…,xN是已知的辅助变量值(都大于零),y1,…yN为未知的研究变量值,且总体单元总数为N。对于任意给定的xk,有以下关系yk=βxk εk同时对于所有的k∈K,满足Eξ(yk)=βxkVξ(yk)=σ2xk其中β和σ2为未知参数。在抽样总体满足该比率模型的前提下,进行简单随机抽样,可以得到一个非常经典的关于总体总值ty的比率估计量t^yra=…     

随机信息中正态方差的灰色估计

利用随机信息进行参数估计,是数理统计学的基本内容.但经典统计学的理论和方法,都是建立在参数是明确数据的基础上.而现实社会经济生活中的参数,具有大量不确定性或认识的模糊灰色性.文章在Neyman的置信区间理论基础上,借助灰色系统的方法,在随机样本的信息下,对正态方差的灰色估计进行了研究,求出了正态方差的灰数估计及其白化权函数;并列举实例以示其应用.     

概化理论方差分量置信区间估计Bootstrap方法比较

使用Monte Carlo模拟技术生成多项分布数据,比较四种Bootstrap方法估计概化理论方差分量置信区间的性能,四种Bootstrap方法分别是Bootstrap-PC、Bootstrap-t、Bootstrap-BCa和Bootstrap-ABC方法.结果表明:(1)从整体上看,四种Bootstrap方法估计方差分量置信区间的包含率,校正的Bootstrap方法要优于未校正的Bootstrap方法;(2)校正的Bootstrap-PC和Bootstrap-t方法相当,校正的Bootstrap-BCa与Bootstrap-ABC方法相当,校正的Bootstrap-BCa和Bootstrap-ABC方法要优于校正的Bootstrap-PC和Bootstrap-t方法.     

概化理论方差分量置信区间估计方法的比较

概化理论又称为方差分量模型,其方差分量估计受限于抽样,不同的抽样样本估计的方差分量可能不一样.为了降低估计的误差,应该重视考察方差分量的变异量(如置信区间).Bootstrap方法是一种有放回的再抽样方法,可用于估计概化理论的方差分量置信区间.文章采用蒙特卡洛模拟技术,比较Bootstrap的PC和BCa方法估计概化理论方差分量置信区间的性能.结果发现:(1)与未校正的方法相比,校正的Bootstrap的PC和BCa方法估计概化理论的方差分量置信区间更为可靠;(2)校正的Bootstrap的BCa方法估计概化理论的方差分量置信区间,要优于校正的Bootstrap的PC方法.     

定时截尾下具有缺失数据的两个几何总体参数的估计

文章利用极大似然估计方法,研究定时截尾下具有部分缺失数据的两个几何总体的参数估计问题,以及两几何总体参数相等的假设检验问题,证明了估计的强相合性以及渐进正态性,给出了检验两总体参数相等的检验统计量以及检验统计量的极限分布。     

均值方差可互补 管理水平能提高

统计的核心是均值与方差。不论我们使用什么统计方法，对现象进行统计分析时，实际上都是在它们的平均数和标准差上做文章。因为平均数和标准差是现象变化的统计规律的两个方面。平均数反映的是现象的集中趋势，是现象的一致性结果；而标准差是现象的离中趋势，反映现象差异性的变化。这两个指标从不同角度描述了现实中事物的对立和统一，即矛盾又一致的情景。因此，对指导现实社会有非常大的作用。在学习统计中，只要充分掌握和理解了平均数和标准差，对统计的其他方法，也就不难理解了。 在现实经济社会中，应用平均数和标准差的领域也…     

正态总体方差的一种间接预估方法

鉴于极差比方差更容易获得,所以利用极差对正态总体方差进行间接预估以确定样本量的想法很有实用价值。根据数理统计理论,若以E(Rn)表示正态总体在样本规模n下样本极差的期望,则有E(Rn)=dnσ,dn可以通过多重积分计算得到,且只与n有关,而与μ和σ2无关。但这种多重积分式虽然有利于在理论上阐明dn与相关变量之间的“定性”关系,却无助于在应用上获得dn与n的定量关系式。本文利用随机模拟方法和线性回归分析得到dn的一个简明表达式:dn=0.5ln(n)+3,从而由此间接获得一个正态总体方差的估计值:σ^2=犤Rn/(0.5ln(n)+3)犦2这将使直接利用“更便宜的”极差确定样本量具有可操作性。     

正态总体方差的一种间接预估方法

鉴于极差比方差更容易获得,所以利用极差对正态总体方差进行间接预估以确定样本量的想法很有实用价值.本文利用随机模拟方法和线性回归分析得到dn的一个简明表达式dn=0.51n(n)+3,从而由此间接获得一个正态总体方差的估计值σ2=[Rn/(0.51n(n)+3)]2,这将使直接利用"更便宜的"极差确定样本量具有可操作性.