住户调查中无回答误差分析与调整方法研究

一、研究背景在抽样调查中,我们需要给样本中的每个单元赋予一个权数,通过最终权数和观测值得到观测变量的估计值。加权过程应考虑到并校正覆盖不完整、抽样可变性和无回答的错误。加权进行得越好,估计的方差和偏差就会越小。权数的计算通常有以下三步:抽样权数即设计权数、无回答的调整和校准。其中抽样权数是在设计阶段计算的,无回答的调整是将设计权数通过无回答的补偿来调整,校准是通过已知总体的辅助信     

校准调整估计量线性和指数距离函数的比较

一、问题的提出 校准调整估计量可以利用总体的辅助信息提高估计的精度.它的基本思想是在已知调查总体的一些必要的辅助信息的基础上,在一定的约束条件下,对初始权数进行调整,得到校准调整权数.     

不均等选择概率下的加权调整研究

从不均等选择概率的角度,提出两类常见的权数调整类型及其调整方法:一是规模调整,使得样本单元权数之和等于总体规模;二是结构调整,使得样本结构和总体结构一致,并构造出加权调整的设计效应模型,应用于复杂样本设计。案例分析显示,加权调整往往导致设计效应变大,带来负的效应,但校准调整能降低设计效应,提高估计精度。     

多目标变量调查的小域的稳健估计量研究

大型的抽样调查不仅是多目标的复杂调查,而且在估计总体目标变量的基础上还需要对其中的一些域的目标变量进行估计,所以小域估计和多目标估计问题一直是抽样调查的热点问题.文章主要利用模型校准权数的方法,解决小域中的多目标估计问题,并得到小域的多个目标变量的稳健估计量.     

混合类型辅助变量下模型校准抽样估计研究

在超总体模型中,一般用于构建模型的辅助变量多为连续型变量,对混合类型辅助变量的模型研究较少.为了同时利用与研究变量相关的连续型和离散型辅助变量的信息,本文提出在模型校准的框架下,利用非参数核回归方法,得到混合类型辅助变量下的模型校准估计量.研究证明,该估计量是渐进设计无偏、设计一致和渐进正态的,并给出了估计量的方差和方差的估计量.数值模拟的结果显示,本文在总体回归函数为线性和非线性的情况下,估计效果均有所提高.此外,通过CLHLS数据的验证也表明该估计量的效果优于仅利用连续型辅助变量的估计量.     

回归模型的异方差性消除方法探讨——以SPSS和Eviews为分析工具

异方差性的消除方法是采用加权最小平方法进行参数估计,用自变量的幂函数的倒数形式作为权数对原模型进行加权;SPSS提供了权数估计的功能,但我们研究发现,SPSS提供的权数有时并不能消除异方差;我们的观点是,能够消除异方差的权数形式才是最有的权数。     

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…     

如何正确理解权数

在我们所看过的“统计学”或“统 计学原理”的某些教科书中,常将“加权”和“权数”定义为“加权平均”是指在变量数列中,各个统计数据出现次数不一样,出现次数多的对平均数影响大一些,出现次数少的对平均数影响小一些。在计算平均数时,应对统计数据乘以其出现的次数,以权衡其轻重,这就是加权”。统计数据出现的次数称为“权数”。我们认为权数的含义远不止数据出现的次数,尚有更广的内涵,而权数的重要作用正体现在那些更广阔的内含上。首先,权数的真正作用是体现在各组次数在总次数的比重上。如果某个数据出现的次数多,…     

无回答加权调整中的回答率模拟研究

加权调整属于处理无回答的事后调整方法,文章列举了权数调整中计算回答率的两种方式,并从回答率入手,利用统计模拟的方法找出了在MCAR和CDM数据缺失机制下,回答率的不同计算方法和不同取值对估计效果的影响。     

权数在人口抽样调查估计中的应用研究

很多全国性大型人口抽样调查项目中的核心技术包括抽样方案设计、样本单元的权数计算等。用样本数据推断总体,权数的作用很关键,尤其是抽样调查越来越难保证做到等概率抽样的情况。为此,采用第四次中国城乡老年人生活状况抽样调查中的具体调查方案和实际调查数据,系统地对抽样过程中的权数进行测算,同时根据权效应对权数进行调整和控制,利用刀切法对相关统计量的标准误差和变异系数进行对比分析,来验证权数控制在提高精度方面的有效性。结合老年人生活状况的调查数据进行实证分析,结果表明,利用刀切法计算权数截取的标准误差比未调整权数的标准误差更有效,得到变量的变异系数更小。     

统计指数同度量因素的权数作用及其比例构成

统计综合指数方法中同度量因素的权数作用可通过比例构成来描述。用比例构成表述的同度量因素的权数作用同于加权算术平均数中的权数作用;从相对意义来说,比例构成反映了复杂现象总体的一个核心内容——总体构成及形式;各种综合指数方法之间产生相对计算结果差别的原因可用比例构成来解释。     

加权最小二乘估计中的拟合优度

在实证经济计量分析中,常常会遇到异方差的问题(即随机扰动项的方差随解释变量的变化而变化。特别是对于横截面数据,当xi的数据变大,ui的方差也可能会变大,这就是所谓的递增异方差)。当计量模型中的随机扰动项ui存在异方差时,用OLS估计模型的参数将不再有效。而此时常用的方法之一是加权最小二乘法WLS。加权最小二乘法的基本思想是,既然最小二乘是使∑ei2达到最小,而此时的ei2具有相同的权数(权数为1,即在最优化过程中各个ei2所提供的信息的重要程度是同等看待的,当然这也符合同方差的含义)。但当ui具有异方差时(比如递增异方差),若Varui…     

样本结构性偏差的校准加权调整方法

校准估计是基于事后分层的加权调整估计,用于解决大规模调查中调查样本与总体存在结构性偏差的问题。本文系统总结了校准估计的方法,特点,以及校准估计与事后分层,广义回归估计的关系。     

如何正确理解权数

在我们所看过的“统计学”或“统计学原理”的某些教科书中,常将“加权”和“权数”定义为“加权平均是指在变量数列中,各个统计数据出现次数不一样,出现次数多的对平均数影响大一些,出现次数少的对平均数影响少一些。在计算平均数时,应对统计数据乘以其出现的次数,     

论综合指数和平均数指数

综合指数和平均数指数在由简单形式发展到加权形式的过程中,源于L氏指数和P氏指数中同度量因素（权数）的选择和时间的固定的不同,在其编制和计算中形成了L氏指数法和P氏指数法—由此,加权综合指数和加权平均数指数构成了当代编制与计算总指数中最重要最基本的两种形式。于是在编制质量指标指数和数量指标指数时,分别采用P氏指数法和L氏指数法。加权综合指数和加权平均数指数在二者的变量（或指数化因素或指数化指标）和同度量因素（权数）、分子分母资料的表现形式、对资料的要求和使用等三方面有不同之处,但后者是前者的变形。     

证券投资中的平均指标与变异指标

在证券市场上，人们所关心的数据都是变量，而专门研究变量的学科便是统计学。通过对证券市场上变量值的加工，人们可以得到众多的统计指标，从而进一步对证券投资活动进行指导。从不同的角度出发，统计指标可以有不同的划分，其中最常见的是被分为平均指标与变异指标。一、证券投资中的平均指标平均指标是最重要的一类统计指标，它反映变量发展的集中趋势，确定平均指标一般需解决两个问题，一个是公式的选择问题，即指采用算术平均公式，还是调和平均公式，或是几何平均公式；另一个是权数问题，是采用价格加权，还是交易量加权，或是交易…     

设计效应分解在复杂样本设计中的应用研究

在复杂样本设计中,多种抽样方法的结合使得设计效应的直接应用受到限制。通过对设计效应的影响因素进行分解,给出分层、类集、加权调整产生的要素设计效应模型。研究结果表明:复杂样本设计通过影响总体单位的相关性来影响设计效应,分层设计带来的负相关性将有限减少设计效应,类集设计带来的正相关性将显著增大设计效应,加权调整带来的权数变化一般会增大设计效应,所以控制非比例分配和类集的设计效应是进行有效样本设计的关键。对于子群、分析统计量的设计效应,虽然样本设计引起的总体单位间相关性减弱,仍可以通过样本均值的设计效应进行推断。     

抽样调查中的权数问题研究

用样本数据推断总体,权数的作用十分重要。使用权数,不仅能将样本还原到总体,还能调整样本结构,使其与总体结构相一致,因此正确的使用权数是我们进行统计推断的基础。本文系统阐述了抽样调查分析中权数的获取过程,以及后期对初始权数调整过程。由于权数是把双刃剑,在提高精度的同时,有可能提高估计量的误差,本文提出了对权数进行评估的方法,研讨如何对权数进行控制,最后根据我国综合社会调查项目（CGSS）的数据进行实证分析,按照所给方法不仅能提高估计精度,而且能够降低抽样推断中的权效应。     

统计预测中的指数平滑法

运用最小平方法求出时间数列的趋势线进行预测时,时间数列所反映的过去各个时间的经济信息都是相等地影响预测值的。它不能正确地反映近期的经济信息要比远期的经济信息影响趋势变化重要得多的客观事实。在预测中如何正确处理这个问题呢?一般是采用合理的加权法,即对过去的近期数据比对远期数据给以较大的权数。指数平滑法就是目前普遍应用的一种趋势预测法。现就指数平滑法的由来、计算方法和应用介绍如下:     

数据挖掘方法应用于调查数据的抽样权重问题

 在将数据挖掘方法应用于抽样调查数据时,会遇到抽样权重的处理问题。本文提出采用放回的、与样本单元权数大小成比例的再抽样方法,简称PPWWR再抽样,来实现“事后”自加权设计。实现“事后”自加权设计后的子样本可忽略掉样本权数,直接采用常规的图示方法和数据挖掘算法进行分析。随后,基于2007中国公民科学素质调查贵州省数据,通过模拟分析讨论了PPWWR再抽样子样本的样本量问题,发现 是一个比较合适的样本量。这一结论可能为其它大型复杂抽样调查数据的数据挖掘实施问题提供借鉴。