抽样调查6-1,6-2.pptVIP

试用例6.2所述五种估计方法,估计当年的总产量, 给出估计量的标准误, 并对上述五种结果进行比较和分析. 前面讨论的简单随机抽样和分层抽样，我们所关心的参数都是单指标的，给出的估计量也是线性形式。这一章我们将要讨论比较复杂的情况，我们关心的参数不再是单指标的而是两个或两个以上的指标。此时，遇到的统计量不再是线性形式，往往呈现出非线性形式，比如两个变量之比，或呈现变量之间的回归关系。 第六章 比估计与回归估计 所谓回归关系就是变量之间的关系不是确定的，是带有 随机影响的。比如身高和体重的关系，身高增加时，一般来 说，体重也会增加，但又不能说一定如此。要确定身高和体 重的关系，一般用回归的方法。这类问题首先是由英国统计 学家高尔顿研究儿子的身高与父亲身高关系时提出的，他发 现儿子的身高有回到家族平均身高的趋势，因而把所得关系 式称为回归方程，于是回归的名词就沿用下来了。 §1 比估计及其性质 设有一个二元变量的总体 ： 有 4 个参数是我们所熟悉的： ————指标 的平均数 ——指标 的方差 如果简单随机样本为 ，则 及 的估计为： 在研究比估计之前，再引进一个新的参数——变量之间 的协方差： (5.1) 之间的相关系数定义为： (5.2) (5.3) (5.4) 在讨论比估计之前，先考察总体的两个平均数之比，即 由于 分别是 的无偏估计， 的估计自然定义为 假如 或 已知，总体平均数 与总体总和 的比估计 量定义为： (5.5) (5.6) 通常的比估计是指 (5.5) 式与 (5.6) 式，而 则称为比值 的 估计。 由 (5.5) 式与 (5.6) 式可知， 与 的习性主要依赖于估计量 ，因此在不少场合，我们常用 来说明。 尽管 分别是 的无偏估计，由于 的非线性形式，因 此 关于 是有偏的，从而 关于 也是有偏的。 一个合理的估计量，应该随着样本容量 n 的增加，估计量的 期望与参数之差应该越来越小并渐渐趋于零，即“渐近无偏” 比估计是否渐近无偏呢？ 利用Taylor展开式，有 将比估计 表示为： (5.7) 当 n 相当大时， 与 相当接近，而 是常数，又 是 的 无偏估计，因此，实质上 ，所以 。 (5.7)式的好处不单单告诉我们 这一事实，而且告 诉了我们，当 n 相当大时， ，表明 可以表示成 的平均数，因此 的分布可近似正态分布 因此，可利用 近似标准正态分布获得 的置信区间 而 (5.8) 另外 (5.9) (5.10) 公式(5.8)、(5.9)、(5.10)为我们提供了 的估计量的形式。具体计算时，只要将 分别换为 即可。我们将由此得到的估计量分别记为： 那么， 的置信水平为 的置信区间分别为： ( ， ) ( ， ) (5.11) ( ， ) 下面说明比估计的优点。主要针对 与 来说明，因为 它们仅相差一个常数因子，因此，只需讨论其中一个就可以。 当 n 充分大时， 而 欲使 ，仅需 或 即 (5.12) (5.12)表明，如果变量X与Y正相关，且相关程度非常密 切的话，那么比估计的精度高于