分层排序集抽样下的比率估计问题探讨

分层排序集抽样是指将分层抽样与排序集抽样结合起来,运用分层技术将总体分为多层,再在每层中用排序集抽样获取样本.分层比率估计是利用辅助信息,构造总体均值或总值的估计量,分为联合比率估计和分别比率估计.文章利用此思路得到下分层排序集抽样下总体均值的分别比率估计,并和分层排序集抽样下的联合比率估计、分层随机抽样下的分别比率估计进行比较.结果表明,分层排序集抽样下总体均值的分别比率估计比分层随机抽样下总体均值的分别比率估计效果好,分层排序集抽样下总体均值的联合比率估计比分层排序集抽样下总体均值的分别比率估计效果好.     

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。     

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。     

创业活动指数的哈特利估计量构造

文章讨论了“全球创业观察”研究项目中成年人调查所涉及到的一个方法论问题.该项目规定,可以用随机拨号电话抽样调查或面访抽样调查方法进行成年人调查以获取计算该项目核心指标全员创业活动指数所需要的数据.文章建议,假若进行随机拨号电话抽样调查,在当前固定电话和移动电话同时占领市场的条件下,同时从两个电话网抽样框抽取样本,应用哈特利估计量来估计总体的全员创业活动指数.讨论了怎样依据从手机抽样框获得的成年人个人逆抽样样本以及从固定电话抽样框获得的成年人群体逆抽样样本,运用哈特利估计量来构造全员创业活动指数估计量以及估计这个估计量的方差的详细过程.     

分层抽样样本量最优分配问题新探

一、问题的提出 在分层抽样中涉及到样本量最优化分配的问题.样本分配是分层抽样研究的一个重要方面.一般来说,一个恰当的分层的原则是这样的:确定各层的样本容量,使样本容量的分布趋于总体分布,以保证样本具有充分代表性,抽样估计准确度不断提高.为遵循这个原则,我们在分层抽样中所采取第一种方法是,按比例缩小来确定样本单位数结构,这是最简单可行的分配方式.但大多数人认为除遵循样本与总体单位数结构一致性外,还必须考虑总体不同层次方差的差异,满足抽样估计量方差的最小化要求.简而言之,就是指在有限资金、时间或其他与每层的样本分配量相关的条件限制下,分配每层的样本量,使估计量方差最小.这就是本文要研究的样本量最优化分配问题.     

论多主题分层抽样

一、分层方法在多主题分层抽样中,层的确定对多主题分层抽样效果的好坏起着决定作用。在多主题分层抽样中,抽样框有两种,即无序抽样框和有序抽样框。在这两种抽样框中,对多主题总体进行分层的方法是不同的。(一)无序抽样框的分层无序抽样框是指将多主题总体不按任何标志排队,而只是将多主题总体中的各个总体单位随机排列而形成的抽样框。我们采用聚类分析的方法来对多主题总体进行分层。     

走出事后分层应用的误区

顾名思义,事后分层方法是在抽样设计中(事先)没有进行分层处理的前提下,在数据处理阶段(事后),利用抽样框信息或者可靠的外部信息,对样本进行事后分层处理,对样本的权数进行调整,以达到提高估计量精度的效果。外部信息可以是各事后层(子总体)的单位数,也可以是各事后层(子总体)单位数占总体单位数的比重等,一般来源于抽样框信息,或者建立抽样框与样本调查期间进行的普查信息等。应用事后分层方法,需要遵循三点基本原则:第一,调查时点样本单位的属性决定该样本单位的推算归属;第二,样本单位的基础权数及其加权调整都决定于该样本单位在抽样框…     

适应性整群抽样下的事后分层估计

文章从事后分层的角度,对适应性整群抽样的估计方法进行了研究.利用事后分层的层内单元相似性,构造了一种新的无偏估计量,并对估计量的性质进行了推导,最后通过一组模拟数据对估计量的效果进行了对比检验.     

基于双重抽样框的二阶段抽样调查方法研究

由于被调查对象的频繁变动,单一抽样框很难覆盖所有的目标单位。为了克服单一抽样框覆盖不完全的缺陷,在各阶段抽样调查采用双重（或多重）抽样框是一种有效的办法。对双重抽样框下的二阶段抽样估计方法进行了研究,得出简单随机抽样下的总体总值估计及其估计量方差,并利用拉格朗日函数求出双重抽样框重叠部分的最优抽样权重系数及各抽样阶段不同子域的样本容量,分析结果可为实际部门在双重抽样框下进行二阶段抽样调查提供相关的理论基础。     

论整群抽样后分层技术

论整群抽样后分层技术周恒彤有时,需要组织分层抽样,以便既能作出对整个总体的估计,又能分别作出对各个层的估计。然而,却不易偏制以个体为单位的抽样框,也不易事先对总体实施分层。这时,假若能够把总体划分成若干互斥的群体（所有群体构成了整个总体）,而且在各个...     

流程性材料参数估计问题探讨

流程性材料最大的特点是其变异性小。对于这类总体,现有的标准差估计方法由于既包含组间差异,又包含组内差异,常常会夸大其估计误差。针对此,首先通过抽样设计,得到具有分层抽样特点的样本;然后借鉴单值—移动极差控制图中标准差的估计方法,构造了这类总体的标准差估计量。这样构造的标准差估计量,由于其估计误差中仅包含组内方差平均水平,从而更符合该类总体变异性小的特点。实际应用表明,该标准差估计量能显著降低估计误差。     

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。     

分层抽样下的样本轮换理论研究

讨论用于回归估计的二相抽样理论在分层抽样下样本轮换后估计量的构造及其精度问题，并在构造的估计量的基础上计算了分层抽样下的最优样本轮换率，这对于深入研究分层抽样理论，使其估计量的精度提高，从而更好地实现抽样调查的目标有积极意义。     

基于多重抽样框的连续性抽样估计方法研究

多重抽样框可以解决单一抽样框难以完整覆盖流动性目标总体的难题,连续性抽样调查则可以获取变量的时序观测数据,对总体现象进行追踪调查。本文将多重抽样框调查与连续性抽样调查两种方法结合在一起进行研究,深入分析基于多重抽样框的连续性抽样估计方法。文章首先设计了连续性调查环境下总体结构变动表;然后,在简单随机抽样假定下的轮换样本调查情形开展研究,设计了14种参数缩减方法对构建的似然函数进行估计求解,并给出了估计量的迭代计算过程;最后,对本文的研究内容进行了总结与展望。     

基于分层设计效应的样本分配研究

文章从分层抽样的角度,以设计效应为工具,构造出若干种分层抽样的设计效应模型,应用于分层抽样的样本分配设计.由于分层设计效应主要取决于各层平均数的差异,则差异越大,分层的效果越好.为了满足目标变量全国估计量和特定小域估计量的精度要求,样本在各小域的最优分配可能是比例分配和非比例分配的折中.     

大数据背景下多重抽样框方法探讨

当前所获取的大数据并非都是总体数据,通常未能完全覆盖总体,因其多源异构的特性,致使传统的数据分析方法受阻。文章将抽样调查方法引入到大数据中,对大数据背景下应用多重抽样框的必要性进行剖析,并主要针对大数据中数据多源异构的难点,将每个来源数据作为一个抽样框进行处理,提出了大数据中多重抽样框的构建。进而根据大数据的数据特征进行分类,针对不同情况确定是否需要进行分阶段抽样设计,并提出运用SF估计量对基于多重抽样框的总体进行估计,此估计量较为符合大数据中多重抽样估计的需求,并能对总体有较好的估计。     

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.     

小微企业抽样调查的样本轮换

目前,小微企业抽样调查数据受到各级政府和社会各界的高度关注。针对小微企业单位新增、消亡变动频繁的特点,研究了总体单位及样本量变动的一般条件下的样本轮换理论,对样本轮换率和估计量进行了探讨,扩大了研究结果的适用范围,得到了简单随机抽样、分层抽样中样本轮换的有关结论,对估计量的抽样误差进行了有效控制,并进行了相关实证研究,最后提出了构造适合小微企业连续性抽样调查的样本轮换设计模式和方法。