[论文解读] Ratio Estimators in Simple Random Sampling when Study Variable is an Attribute

Rajesh Singh, Mukesh Kumar+1 more|arXiv (Cornell University)|Nov 3, 2010

Survey Sampling and Estimation Techniques被引用 5

一句话总结

本文提出了一类比率估计量，用于在简单随机抽样中估计定性（属性）研究变量的总体均值。通过利用相关属性的辅助信息，作者推导出偏差和均方误差的表达式，并通过实证研究证明，与传统方法相比，所提出的估计量在效率和准确性方面表现更优。

ABSTRACT

In this paper we have suggested a family of estimators for the population mean when study variable itself is qualitative in nature. Expressions for the bias and mean square error (MSE) of the suggested family have been obtained. An empirical study has been carried out to show the superiority of the constructed estimator over others.

研究动机与目标

• 开发适用于研究变量为定性（属性）而非定量时的总体均值估计的改进型比率估计量。
• 在简单随机抽样中，利用相关属性变量的辅助信息以提高估计精度。
• 推导所提出的估计量族的偏差和均方误差（MSE）的解析表达式。
• 通过实证方法评估所提出估计量的性能，并与现有方法进行比较。
• 确定所提出的估计量相较于传统比率估计量实现更低MSE的条件。

提出的方法

• 在简单随机抽样中，通过变换辅助属性变量和研究变量，提出一类比率估计量族。
• 利用泰勒级数展开，推导所提出估计量的一阶近似偏差和均方误差（MSE）。
• 利用研究变量为二元（属性）的特性，基于比例或频数定义估计量结构。
• 应用标准抽样理论，以总体参数表示所提出估计量的方差和MSE。
• 使用真实或模拟数据进行实证研究，比较所提出估计量与现有比率估计量的MSE。
• 通过在给定约束下最小化MSE表达式，从估计量族中选择最优估计量。

实验结果

研究问题

• RQ1 当研究变量为定性（属性）而非定量时，能否有效构建一类比率估计量？
• RQ2 在基于属性的抽样中，所提出估计量的偏差和均方误差（MSE）与经典比率估计量相比如何？
• RQ3 在何种条件下，所提出的估计量族的MSE低于现有估计量？
• RQ4 在简单随机抽样中，利用辅助属性信息如何提升估计效率？
• RQ5 在真实或模拟数据设置下，所提出估计量的实证性能相对于基准估计量如何？

主要发现

• 当研究变量为属性时，所提出的估计量族相较于传统比率估计量表现出更低的均方误差（MSE）。
• 在适当条件下，所提出估计量的偏差可忽略不计，表明其具有高精度。
• 实证结果证实，所提出的估计量在效率和准确性方面优于现有估计量。
• 在实证研究中，所提出估计量族中的最优成员在所有考虑的估计量中实现了最小MSE。
• 偏差和MSE的理论表达式有效，为选择性能最佳的估计量提供了可靠依据。
• 利用辅助属性信息显著提升了估计效率，尤其当研究变量与辅助变量之间的相关性较高时。