关于分层累计抽样的几个问题

一、分层累计抽样 所谓分层累计抽样技术就是对抽样框进行以下技术处理: 1.等距分层。将各单位按有关标志进行分层。 2.将各层并排起来,分层进行累计。即把等分后的各层(层内各单位原排队次序不变)按首尾相并的方法排列起来,再对各单位的值按由上至下的方向,分层进行累计。 3.绘制抽样框图。对按一定次序排列起来的各层,按照同一比例绘制成一定长度     

多主题抽样中两种估计方法的比较

一、简单估计 所谓简单估计就是以样本单位标志值的平均值来直接作为总体标志值的估计值。由于简单估计的方法比较简单,因而在我国目前抽样调查的实践中应用比较普遍。 在多主题系统抽样中,假设有m个主题X_1、X_2、X_3…X_m,多主题总体单位数为N,从这N个总体单位中,按系统抽样的方式抽取n个样本单位,则多主题总体标志值X的简单估计量X为:     

对称等距抽样方法简介

对称等距抽样方法是等距抽样(或称系统抽样、机械抽样)方法的一种.这种方法要求以每两个对称的样本单位为一对.等距离抽选若干对样本单位.     

论有关标志等距抽样总体指标的估计

论有关标志等距抽样总体指标的估计雷钦礼有关标志排队等距抽样是在我国发展起来的一种行之有效的独特抽样方法。多年来,我国统计学界一直致力于抽取方法的完善和改进,从“随机起点,顺序等距抽样”和“半距起点,顺序等距抽样”到“随机起点,对称等距抽样”,使抽取方...     

建议采用定户亩产比率推算法代替现行农产量抽样方法

一、农村改革使现行农产量抽样方法面临的新问题长期以来,我国农产量抽样调查普遍采用的是按有关标识排队,面积累计对称等距抽样的方法来确定样本单位和样本地块,通过实割实测求得样本的平均亩产(?),然后以该样本平均宙产(?)乘上总体播种面积N,得到农作物总产量的估算数据.     

现代抽样技术介绍（二）

五、二维等距抽样 前面所讨论的等距抽样都是一维等距抽样,就是说,总体中的单位都是排列成一条直线,或者可以看作是排列成一条直线的,但有的总体单位的自然排列状态不是排成一条直线,而是排列在一个平面上或者可以看作是排列在一个平面上的。这时就要采用二维等距抽样(two dimensional systematic sampling,又称平面等距抽样)的方法来抽样。     

农产量抽样调查方法改进研究

一、问题的提出目前我国农产量抽样调查广泛采用按有关标志排列，以播种面积为辅助资料随机起点对称等距抽样的方法、这种抽样方法有着一定的局限性。第一，将总体单位按有关标志排列后等距样本“均匀”地分布在总体中，这种“均匀”是相对于累计播种面积而言，即相对于总播种面积是均匀的。当不同总体单位农产量差异显著时，这样的等距样本对于产量分布而言则是不均匀的，很可能在某一产量段样本量过大，而在另一产量段样本量过小。依此样本计算得到的样本均值作为平均由户的估计量＃进而估计总产量必然产生较大的偏差，固而估计的精度较低…     

有关标志等距抽样标准误估计方法新探

一、近似线性直线趋势回归估计法(一)基本思路抽样总体按其被研究标志的标志值排列情况,可以分为两类:一是该总体完全呈线性直线趋势,即总体各单位的标志值数列成等差变化;二是不呈线性直线趋势。对于第二类又可区分为近似呈线性直线趋势和完全不呈线性直线趋势两种。在按有关标志排队等距抽样时,我们认为绝大多数社会经济现象是近似呈线性直线趋势的。对于完全呈线性直线趋势的情况,其     

“全国农产量抽样方案”理论基础探讨

一、国家统计局全国农产量抽样调查抽样程序 第一步,以省一级行政区为单位,省内所有的县组成一个抽样总体,抽取约35％的县。 第二步,以抽中的县为单位,县内所有的行政村组成抽样子总体,抽取15-20个村。 第三步,以抽中的村为单位,抽取农作物地块。 上述的每一步都采用有关标识排队等距抽样的方法。以省抽县为例,具体步骤如下: 1.设X_i、S_1分别代表第i号县的前三年平均亩产、面积。根据X_i的大小将所有的县进行排序。经排序后得到X_1 ≤X_j(i>j)。     

工业统计抽样框问题研究

我国自1996年底开始实施《工业统计定期抽样调查试点方案》迄今,虽已有两年余时间,但由于刚刚起步,仍有一些问题值得进一步研究,抽样框便是其中重要问题之一。一、目录抽样技术与抽样框目录抽样技术是一种当总体分布呈现明显的高度偏态特征时,对一部分单位（通常是标志值达到一定标准的单位）进行逐一全面凋查、对另一部分单位（通常是标志值在一定的标准以下的单位）进行抽样调查的统计调查方式。我国目前的工业统计定期抽样调查采用的就是这种方式,它规定：对全部国有工业企业及年销售收入在500万元以上的非国有工业企业进行逐一全…     

Two-Stage Cluster Sampling with Ranked Set Sampling in the Secondary Sampling Frame

Motivated by a real-life problem, we develop a Two-Stage Cluster Sampling with Ranked Set Sampling (TSCRSS) design in the second stage for which we derive an unbiased estimator of population mean and its variance. An unbiased estimator of the variance of mean estimator is also derived. It is proved that the TSCRSS is more efficient—in the sense of having smaller variance—than the conventional two-stage cluster simple random sampling in which the second-stage sampling is with replacement. Using a simulation study on a real-life population, we show that the TSCRSS is more efficient than the conventional two-stage cluster sampling when simple random sampling without replacement is used in both stages.     

A New Sampling Design for Systematic Sampling

A sampling design called “Modified Systematic Sampling (MSS)” is proposed. In this design each unit has an equal probability of selection. Moreover, it works for both situations: N = nk or N ≠ nk. Consequently, the Linear Systematic Sampling (LSS) and Circular Systematic Sampling (CSS) become special cases of the proposed MSS design.     

Pareto Sampling versus Sampford and Conditional Poisson Sampling

Abstract.  Pareto sampling was introduced by Rosén in the late 1990s. It is a simple method to get a fixed size π ps sample though with inclusion probabilities only approximately as desired. Sampford sampling, introduced by Sampford in 1967, gives the desired inclusion probabilities but it may take time to generate a sample. Using probability functions and Laplace approximations, we show that from a probabilistic point of view these two designs are very close to each other and asymptotically identical. A Sampford sample can rapidly be generated in all situations by letting a Pareto sample pass an acceptance–rejection filter. A new very efficient method to generate conditional Poisson ( CP ) samples appears as a byproduct. Further, it is shown how the inclusion probabilities of all orders for the Pareto design can be calculated from those of the CP design. A new explicit very accurate approximation of the second-order inclusion probabilities, valid for several designs, is presented and applied to get single sum type variance estimates of the Horvitz–Thompson estimator.     

Layer Sampling

Layer sampling is an algorithm for generating variates from a non-normalized multidimensional distribution p( · ). It empirically constructs a majorizing function for p( · ) from a sequence of layers. The method first selects a layer based on the previous variate. Next, a sample is drawn from the selected layer, using a method such as Rejection Sampling. Layer sampling is regenerative. At regeneration times, the layers may be adapted to increase mixing of the Markov chain. Layer sampling may also be used to estimate arbitrary integrals, including normalizing constants.     

Markov Sampling

A discrete parameter stochastic process is observed at epochs of visits to a specified state in an independent two-state Markov chain. It is established that the family of finite dimensional distributions of the process derived in this way, referred to as Markov sampling, uniquely determines the stochastic structure of the original process. Using this identifiability, it is shown that if the derived process is Markov, then the original process is also Markov and if the derived process is strictly stationary then so is the original.     

双重抽样

本世纪六十年代以来,各国在抽样调查领域内有了新的发展,尤其在应用于经济和社会调查方面取得了许多重要的进展,诸如关于抽样比例和百分比估计,决策问题中的样本含量,由于分层而得益的估计,分层抽样中的比率和回归估计,系统抽样(或称等距抽样),双重抽样(或称二相抽样),以及调查中关于误差来源的研究等等,都是较为新颖的技术,引起各国特别是发展中国家有关人员的广泛兴趣。本文试就其中的双重抽样作简略介绍。     

序贯抽样检验检索表的改进

序贯抽样检验方法由于每检验完一个样品都要做出一次记录与判断,并且其判断规则还比较复杂,因而实施起来并不容易.文章在简化判断规则的基础上,改进了检索表,并对其科学性进行了检验,旨在使序贯抽样检验更加简便易行.