抽样调查中有效控制无回答误差的措施

抽样调查中，无回答会造成调查数据的失真，甚致导致抽样调查的失败，因此分析无回答误差产生的原因并讨论对其有效控制的措施具有重要的理论意义和现实意义。文章分析了无回答产生的原因和对调查结果产生的影响，并根据无回答产生的原因和无回答误差的构成，提出了预防措施和调整办法，其目的是降低无回答率，提高调查数的可靠性和有效性。     

调查问卷选项无回答率的SAS程序实现

综合性社会调查项目中,选项无回答率的高低,是评价问卷调查数据质量、问卷题目难易程度以及访问员调查工作质量的重要标准。文章基于选项无回答率的一般计算公式,给出了计算问卷中选项的平均无回答率和选项在全部问卷上的平均无回答率两个SAS实现程序,并归纳了程序的编写思路和技巧。     

浅议问卷调查中的无回答及其权数调整方法

本文论述了问卷调查中无回答的概念、种类、产生原因及对调查结果的影响,并介绍了对无回答进行权数调整的方法。     

基于回答随机性下的总体均值的估计

无回答的产生,对抽样调查结果的可信性产生了一定的影响,这引起了许多统计学者的关注.但至今仍未能找到一个比较满意的处理无回答的方法.现行的主要一些无回答处理方法,都侧重于事后对无回答数据本身的补救.文章则主要着眼于受访者的回答概率,在随机性回答下,给出了总体均值的一个估计.通过事先对总体均值给出一个大体的水平值,或者叫经验值;然后估计均值与这一水平的差距;最后在一定范围内改变这一水平值,减小了估计的方差.     

基于样本回答率视角下的总体参数估计

文章构建了基于样本回答率视角下的总体参数估计量模型,讨论了总体参数估计量方差及方差的估计,实证检验了估计模型,并分析了样本回答率对总体参数估计精度的影响.     

用加权调整法对无回答问题进行调整

无回答问题是抽样调查中较难处理的问题之一。无回答偏差是非抽样误差的一个重要来源,本文对无回答的统计影响进行了具体分析,并详细介绍了如何运用加权调整法对无回答偏差进行调整。     

消除回答误差的随机化模型

同其他统计调查方法一样,抽样调查结果也会出现误差。抽样调查的误差可分为抽样误差和非抽样误差两类,其中抽样误差是由抽样的随机性引起的,是不可消除的,但我们可以对它进行估计,并控制在要求的范围内。在样本量固定的情况下,我们通过采用适当的抽样方法和估计量来最大限度地减少抽样误差,并将其控制在一定的限度内。非抽样误差是发生在回答、登记、汇总、计算等过程中的误差,我们可以通过加强统计法规建设,提高统计人员的素质来消除或减少登记、汇总、计算等过程中的误差,而回答误差由于受多种因素的影响,非常难以控制和消除。在调查项目…     

基于随机化回答模型的最低工资敏感性问题研究

针对最低工资调查中出现的敏感性问题,引入随机化回答技术,并针对定性和定量两类敏感性问题,分别引入不同的随机化回答模型。同时还考虑到最低工资调查中,不同调查单位对同一问题敏感程度不相同的特性,在定量问题的随机化回答模型中引入敏感性水平,对原有模型进行有效的改进,使被调查者能够更加积极配合最低工资调查,从而能够进一步减少由于各类敏感性问题造成的非抽样误差。这套随机化处理方法还可推广应用到其他类型的敏感性问题中。     

如何处理调研中的无回答问题

在市场调研中,无回答现象是调研人员经常遇到的问题,而调研人员则必须决定如何分析和解决这一问题,对这一问题的不同看法代表了对数据质量的不同认识。本文就此问题进行了阐述。     

抽样调查中无回答误差控制的研究

本文对抽样调查中无回答误差的控制进行了深刻的研究,并提出了一系列事前预防和事后补救的措施。     

项目无回答的预防和补救

项目无回答和单位无回答一样,会产生无回答偏差,使估计量方差增大,降低估计精度。本文详细分析了项目无回答产生的原因,提出了解决问题的办法,一是采取预防措施,降低项目无回答;二是对缺失值用替代法和推算法来补救。     

处理无回答的二级抽样方法

无回答是抽样调查中较常见,也是较难处理的一个问题。本文意在介绍传统二级抽样调查方法和贝叶斯二级抽样调查方法在处理无回答问题过程中的应用,并对两者的异同作了简略的概述。     

基于经验加权方法的无回答问题研究

文章研究了利用多阶模型中的空模型和经验加权方法估计无回答问题的方法,并且重点研究了经验加权方法。文章采用2007年广东省城镇住户调查的消费性支出数据进行实证分析,实证结果表明,经验加权方法在对存在无回答的层均值进行估计时,无论是估计的误差率还是稳定性都优于多阶模型方法。     

抽样调查中无回答对统计的影响及误区的控制

无回答误差是非抽样误差的一个重要来源。本文对无回答对统计的影响进行了具体分析,并针对目前经常采用的控制无回答的方法误区进行了剖析。     

改进的随机化回答模型的贝叶斯方法

文章介绍了一种改进的敏感性问题随机化回答模型,并把贝叶斯方法用于该模型的参数估计,最后得出了参数的近似解。     

统计调查中无回答的影响及传统控制方法的不可行性

无回答误差是非抽样误差的一个重要来源。本文对无回答的统计影响进行了具体分析 ,并揭示了目前统计调查中经常采用的控制无回答的传统方法的不可行性 。     

分层抽样下的西蒙斯随机化回答模型

本文通过结合分层抽样技术和西蒙斯模型,提出了分层抽样下奈曼分配时的西蒙斯随机化回答模型。该模型在应用于总体为分层总体的时候比简单随机抽样下的西蒙斯模型有着更高的精度,在实际的调查操作中也有着更强的可行性。本文还探讨了受访者在不完全真实回答情况下的情形,并对模型进行了改进。     

抽样调查中单元无回答处理方法的选择与改进

在抽样调查中,无回答对于抽样推断的影响较大,尤其是单元无回答。通过增加样本容量来处理单元无回答的方式不能从本质上解决问题,而在二重抽样的基础上再实施复杂估计的思路可以有效地提高抽样估计的精度。     

双重抽样框下项目无回答插补估计方法研究

抽样调查工作中无回答情形不可避免,双重抽样框下亦如此,因此需要对双重抽样框下抽样调查项目无回答造成的估计量偏差进行纠偏校正。首先通过二重抽样获取辅助变量的信息,使用其构造比率估计量与比率型指数估计量的组合估计量对双重抽样框下抽样调查中项目无回答数据进行插补,得到对应各部分子总体的均值估计,再用Hartley估计量的形式对总体总值进行估计。通过计算估计量偏差、均方误差及最优权重系数,对比相同条件下完全回答时同类型组合估计量均方误差的相对精度损失与使用单一比率型指数估计量的相对精度损失,随机模拟结果显示损失率较低,插补方法有效。选择合适的辅助变量构造比率估计量和比率型指数估计量的组合估计量做插补值,更充分利用辅助变量和已回答研究变量信息,基于提出的组合估计量于抽样调查工作具有一定的应用价值。     

对无回答的探讨

在抽样调查中,我们总希望能取得所要求的所有样本单位并获得关于所有样本单位特征的记录.然而实际情况并非如此,由于各种原因,我们并不能从所有的样本回答及问卷中的所有问题获得有用的数据,即对一些样本单位未能成功实现计量.我们称这类问题为“无回答”,它反映了调查活动中的一个明显‘缺陷”.下面我们对无回答的原因,无回答产生的统计影响以及减少无回答影响的方法进行一些探讨.