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.     

利用极差信息确定样本量的一种方法——兼谈在农调实践中的应用

在抽样调查实践中,特别是在围绕农业农村问题的抽样调查实践中,通常总体极差方面的信息更易获得。因此利用极差信息来对总体尤其是正态总体的方差进行预估,以确定样本量的想法很有实用价值。本文利用模拟抽样和线性回归分析方法,得出了一个关于总体极差与总体方差关系的简单模型,为快速确定样本量提供了一条途径,并探讨了在农调实践中的应用。     

NA序列下两正态总体均值的检验

一、引言设样本!X1,X2,…,Xm’与!Y1,Y2,…,Yn*之间相互独立,分别取自同方差正态总体X～N(μ1,σ2)和Y～N(μ1,σ2),我们所要考虑的问题是检验     

正态线形模型下缺失值的Bootstrap多重插补与比较

缺失值是调查中普遍存在的问题,对缺失值进行插补是处理缺失值的较好方法.如果变量之间存在相关关系,可以通过正态线形模型利用不存在缺失值的变量对有存在缺失值的变量进行插补.较之单一插补,多重插补更能有效地估计总体方差,因此更多地被使用.文章借助Bootstrap法,让模型的参数和残差来自完全观测的Bootstrap样本的最小平法估计,可进一步准确估计总体方差.通过大量模拟试验,发现Bootstrap多重插补较之单一插补和一般多重插补能构建更宽的置信区间从而有更准确的总体参数覆盖率,这点在数据缺失比重很大时优势更明显.     

域内不放回样本追加的性质分析

域内采取不放回样本追加,进行追加抽样,利用最终的总样本,通过计算域总体单元的一阶、二阶入样概率构造HT型估计,得到域总体目标参数的无偏估计及估计量方差的无偏估计.基于不放回简单随机抽样,在不同的追加样本量确定机制下,对相关问题进行较为全面的研究,并揭示出某些重要且优良的性质.     

基于Hellinger距离的两个正态总体的同质性检验

文章对于两个正态总体N(μ1,σ12),N(μ2,σ22),讨论了统计假设H0:μ1=μ2,σ12=σ22←→H1:μ1≠μ2或σ12≠σ22.并基于Hellinger距离与参数的最大似然估计,建立了一个检验统计量.在一定的条件下证明了该统计量渐近服从自由度为2的卡方分布.用随机数值模拟的方法研究了该统计量的稳健性,并且与似然比检验进行了比较.     

论区间估计中抽样平均误差的随机变异

一、问题的提出 当我们从一个单位为N的总体中,随机抽取容量为n的样本时,这种同容量的样本可有C_N~n(确切地说是在不重复抽样时)。显然,每个样本的平均数x和标准差S都是独立随机变量。 这里借用高等院校文科试用教材《数理统计学》(天津人民出版社出版)中的一个例子,有100头猪在20天内的增重数据,它们近似于正态分布,这个总体的平均数为X=30磅,标准差σ=10磅。纯随机抽取容量n=10的样本十个。十个样本的有关统计量数据如下表:①     

分层抽样调查的一点思考

根据分层抽样调查方法的一般原理,分层抽样是将总15.61(人),标准差(δ)=15.08(人),极差(R)=体的N个单位按某个特征(一般为品质标志)(分成若干76-2=74,由于离差仍然很大,计算的必要抽样单位数没有重叠的层,独立地从每一层中抽取若干个单位,由各仍有98个;按现有的抽样调查方法,还是没有解决余下层抽取的样本组成总样本,用来推断总体目标量的一种方100个私营企业劳资情况的有效抽样的问题。为此,我们法;分层对于偏斜总体显得尤其重要(所谓偏斜总体是指只有运用“多次中点分层抽样”的方法,将这100个单位总体分布不是正态的,它向右或向左偏斜)…     

收入分布的正态插值函数拟合方法与数据分组数的关系分析

文章用原始样本数据的分组均值与总体方差为参数的正态函数作为插值基函数,构造出线性正态插值函数曲线以拟合中国城乡居民收入的概率分布函数曲线.在相同的样本总量条件下,利用拟合的正态插值函数曲线计算出拟合的函数面积估计值并比对相应的样本数据直方图面积,进而得出此正态插值函数拟合方法与样本数据分组数之间的关系,由此关系可以得到适用于构造正态插值函数拟合方法的样本最优分组数.     

不完全数据多重插补的Bootstrap方差估计

当对插补所得的“完整数据集”使用标准的完全数据统计方法的时候,往往会低估插补估计量的方差.Bootstrap方法(自助法)是非参数统计中的一种重要的统计方法,是基于原始观测数据进行重复抽样,能充分的利用已知数据,不需要对未知总体进行任何的分布假设或增加新的样本信息,进而再利用现有的统计模型对总体的分布特性进行统计推断.本文首先运用多重插补的方法对缺失数据进行了插补,之后利用Bootstrap方法对插补之后的数据进行了插补统计量的方差估计,结果表明运用Bootstrap方法进行插补统计量的方差估计更科学更准确.     

读者作者编者

问题征答1.若样本方差S~2=(1/(n－1))sum from i=1 to n((x_i－(?))~2),总体单位数为N,均值为(?)。那么在重复抽样与不重复抽样条件下,S~2的期望值各是什么?2.有一大批产品需经检验后方能接收。根据规定,次品串为5%以下时可接收该产品,次品率超过15%则拒收该产品,且。a=0.05,b=0.10。若已抽取样本单位100个,次品率为7%,则请根据合格判定线与不合格判定线确定是接受该批产品,拒绝该批产品,还是继续进行抽样检验?     

设计效应的计算

为了比较不同抽样方法的效率,1965年,Ｋｉｓｈ引进了设计效应(ｄｅｓｉｇｎｅｆｆｅｃｔ,简记为ｄｅｆｆ)。其定义为:ｄｅｆｆ(^θ)=Ｖ(^θ)/Ｖｓｒｓ(^θ)其中Ｖ(^θ)为所考虑的抽样设计下,总体未知参数θ的估计量的方差,Ｖｓｒｓ(^θ)为相同样本量的简单随机抽样下,θ的估计量的方差。设计效应可以用来评估所考虑的复杂抽样设计的效率。ｄｅｆｆ<1,表明所考虑的抽样设计的效率比简单随机抽样高,ｄｅｆｆ>1,则它的效率比简单随机抽样低。利用设计效应还可以确定样本量,所以它的计算很重要。通过抽样调查得到的是一个样本,因而,Ｖ(^θ)与Ｖ…     

基于潜变量模型的多元有序数据轮廓分析法

提出了一种适用于多元有序数据的轮廓分析方法。鉴于有序数据无法满足轮廓分析对数据正态性的要求,采用潜变量模型对有序变量进行赋值,利用Bootstrap方法重构样本,使重构后的新数据满足正态性且总体均值与原样本一致,因而可以将轮廓分析法应用于有序数据均值向量的比较问题。讨论了单样本情形的同水平假设、两样本和多样本情形的平行、同水平和平坦性假设,并给出相应的检验统计量和拒绝域。最后,通过随机模拟来检验该方法的合理性,并得到结论:样本质量较高时,该方法在控制第一类错误和提高检验的功效上效果很好;对于一般样本而言,该方法的实际第一类错误较名义值有所增大,可通过提高原始样本量、降低名义第一类错误和进行多次试验来解决。     

对误差序列相关模型参数估计方法的探讨

一、引言经典线性回归分析的一个基本假定是模型的随机误差项之间互不相关,然而,对经济数据进行计量分析时,经常发生的问题是模型中误差项之间存在着序列相关。在误差项序列相关模型中最简单的一种是以下的自相关表示形式:Yt=α βXt μt(t=1,2,…,n)ut=ρut-1 εt|ρ|<1(1)其中εt满足经典假设条件E(εt)=0E(ε2t)=σ2εE(εtεs)=0(t≠s;t,s=1,2,…,n)(2)如果对式(1)直接使用最小二乘法(OLS法)进行参数估计,虽然OLS估计具有无偏性和一致性,但不具有有效性,不再是系数的最优估计。对此,通常采用的解决办法有两种①:第一种是广义最小二…     

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=…     

交替抽样

在同一总体中,各单位某些项目的数字特征,往往随着时间的推移而发生变动,因此,在两个不同时间对同一总体的抽样调查,其前期和现期的估计量往往也随着发生变动,而人们最关心的是现期的统计量。所谓交替抽样,是指前期样本中的Pn个单位(0相似文献   

发展系数与预测模型初始值确定的新方法

文章针对用x~(1)(k)、x~(1)(k-1)加权组合来优化背景值的情形,提出发展系数初始值不必通过基本灰色模型x~(0)(k) a[1/2x~(1)(k) 1/2x~(1)(k-1)]=b求解,而是直接令发展系数初始值a_0=ln(1/(n-1)(■ (x~(0)(k-1))/(x~(0)(k))的新方法;然后分析了原始模型响应式中以x~(0)(n)=x~(0)(n)为初始值存在的缺陷,提出了先推导出还原式,再以x~(0)(n)=x~(0)(n)为初始条件确定离散响应式系数的新方法。     

概化理论方差分量及其变异量估计:Jackknife方法与Traditional方法比较

文章生成概化理论p×i、p×i×h、p×(i:h)三种不同设计下的正态数据、多项数据和二项数据,用Jackknife方法和Traditional方法估计数据的方差分量、标准误和置信区间,并比较这两种方法的性能。结果表明:(1)Jackknife方法在方差分量估计和标准误估计上都较为准确;(2)相较于Traditional方法,Jackknife方法在方差分量置信区间估计上略有不足。(3)相较于Traditional方法,Jackknife方法估计的准确性不随数据类型、研究设计和方差分量的不同而产生波动,具有更强的稳健性。     

关于三参数威布尔分布顺序统计量的概率分布性质探讨

设{X_k,1≤k≤n}独立同分布,X₁,X₂,…,X_n为其顺序统计量,当总体服从参数为（μ,m,η）的威布尔分布时,文章得到了其顺序统计量的联合概率密度、极端顺序统计量的概率密度和期望与方差的表达式。证明了当参数m≠1时样本间隔不独立且不同分布,当参数m=1时样本间隔独立不同分布,并由此构造一组独立同分布的指数随机变量exp（1）.还探讨了其最小顺序统计量X₁的渐近分布。     

Bootstrap方法在复杂抽样中的应用

一、Bootstrap方法简介Bootstrap方法是美国统计学家Bradley·Efron在1979年提出的一种处理非参数统计推断问题的方法。它的一般提法是:已知来自总体(Y,(?),F)的简单随机样本Y_n=(y_1,y_2,…,Y_n),其中F是一未知的分布函数。设R(Y_n,F)是我们感兴趣的样本函数,我们欲得到R(Y_n,f)的某些信息,如:R(Y_n,F)的分布函数、E_FR、Var_FR或P_F(R<2)等等;下标F表示在分布函数F下求期望、方差或概率。所谓Bootstrap方法,就是用样本Y_n构造出F的极大似然估计(?)_n(一般就用样本Y_n的经验分布函数F_n来近似);然后,从F_n中抽出大小为n的简单随机样本Y_n~*=(Y_1~*,Y_2~*,