基于排序集样本和辅助变量中位数的均值比率估计方法

排序集抽样下利用辅助变量中位数构建了总体均值的改进比率估计模型,分析了该比率估计量的偏差和均方误差,并与简单随机抽样下的比率估计比较,证明了改进后的比率估计均方误差更小。以农作物播种面积和产量为研究对象进行实例分析,研究表明,基于排序集样本和辅助变量中位数的比率估计方法可以有效提高估计精度,验证了该构造方法的可行性。     

分层随机抽样条件下不同估计量的比较与选择

文章以分层随机抽样为例,研究了在有辅助变量可以利用的情形下,分别比估计、联合比估计、分别回归估计和联合回归估计的应用,并对其偏倚进行评估.结果表明,与简单估计相比,这类间接估计量都是非线性的较为复杂的估计量,可以改善简单估计的效果,且当目标变量和辅助变量高度相关时,各种估计量均是有效的.     

分层拉丁超立方体抽样方法及应用

为了提高样本数据的质量，文章提出了一种新的抽样方法——分层拉丁超立方体抽样，给出了该抽样方法的定义以及实现算法，证明了在相应条件下该抽样方法的估计精度比分层随机抽样方法更高，可以更有效地缩减蒙特卡罗方差。同时，还通过数值模拟比较了分层拉丁超立方体抽样与分层随机抽样在用蒙特卡罗方法估计定积分时的效果，数值模拟结果验证了上述结论的正确性。     

双重分层抽样中的校正估计

校正估计法已被大量运用于抽样调查中,它利用辅助信息构造的校正权重提高了对总体总值（或均值）的估计精度。本文提出了分层抽样中的校正组合比率估计量,并推广到分层双重抽样中。同时给出新估计量的近似方差表达式。最后利用计算机随机模拟验证较正估计量对估计精度的改进。     

不放回样本追加策略下域的估计

 本文研究了不放回追加策略，包括基本设计和域追加设计都为简单随机抽样、分层随机抽样情形下不放回样本追加时域的估计的问题。根据不同的抽样设计给出单元的一阶及二阶包含概率的具体计算公式，并构造总体总量和域总量的Horvitz—Thompson型估计，然后基于简单随机抽样的不放回追加抽样方案，给出总体单元的前两阶包含概率。及该方案在分层抽样下的推广，在有辅助信息可用时构造域总量的分层联合比估计，并给出其方差和方差估计公式，同时我们给出了模拟结果，从模拟结果可以看出，给出的方差估计是估计量方差的近似无偏估计。     

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。     

抽样调查中关于负相比率估计探讨

本文主要探讨的是负相关性比率估计--即在调查变量与辅助变量为负相关的条件下,对总体参数进行比率估计的方法.它按照正相关比率估计(以下简称比率估计)的基本原理,对调查变量及呈高度负相关的辅助变量进行坐标变换,使之满足比率估计成立的前提条件,然后再对总体参数进行比率估计.     

辅以排序集样本的分层抽样方法研究

分层抽样中,样本在各层中的不同获取方式会对估计量的精度和试验费用产生一定的影响,而已有的理论方法大多不能在提高精度的同时降低调查费用。为此,将排序抽样与分层抽样方法相结合,提出了辅以排序集样本的分层抽样方案,并得到了总体均值的估计量以及这一估计量的良好性质。这些结果表明,与单一的分层随机抽样相比,这种抽样设计的估计量具有更高的精度,同时也节约了各层抽样调查的费用。     

抽样调查中基于模型的稳健预测方法

基于模型的推断是抽样技术中推断估计量的一种重要方式。文章研究得出,当比率估计模型或者扩张估计模型偏离总体真实模型时,比率估计和扩张估计往往是有偏的,平衡样本能够消除比率估计和扩张估计的偏倚,使得估计量是偏倚稳健的。     

分层抽样估计精度 控制方法的研究

在分层抽样实践中，经常遇到如何进行估计精度控制的问题。从具体的组织实施看，分层抽样估计的精度控制除了常规的总体控制法外，还有分层控制法和双重控制法。它们各具特色和应用价值。本文对此作一探讨。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（如层均值）的估计精度的高低。其一般过程是：先确定总体参数估计精度，再计算抽样估计所需的总样本容量，然后再分配备层样本容量。这样，各层参数抽样估计的精度事实上也就随之确定了。设总体分为K层，X；为第i层第j个单位的标志值（i…