第二章 概率与概率分布(抽样调查理论与方法-北京商学院,李平).ppt

原因二： 随着样本容量 n 的增大（与总体容量N相比仍可 能很小）， 与 以及 与 发生大的误差的可能性越 来越小，以至于可以忽略，而误差在 0 附近的可能性变得越 来越大，或者说某种平均意义下的误差越来越小。 一般来说，基于抽样数据的统计量——通常记为 ，在 前面的例子中是 和 ——作为参数 的估计量，总是希望 能够较好地近似代表 。由于依据局部来估计总体避免不了 会发生误差，这个误差还是随机的，任何两次抽样所产生的 误差都不会相同，每次所产生的误差都是这个随机变量的一 次实现。 另外，待估参数又是未知的，我们也不可能知道抽样误 差到底等于多少。为了排除偶然因素，我们往往从平均意义 上来看抽样误差。这就是在数学上对随机变量取数学期望。 如果估计 的统计量 具有性质： ，则称 为 的无偏估计。 前述例子就说明： 即 和 分别是 和 的无偏估计。。 以上分析告诉我们，所谓无偏估计并非是说估计量与参 数之间就没有偏差，而是说估计量所有可能取值的平均值等 于参数。或者说估计量与参数的平均偏差为零。 数理统计告诉我们，并非所有的待估参数都存在无偏估 计。例如成功率为 p 的 n 次贝努里试验，其中成功的次数 x 服从二项分布，对于观察到的成功次数 x ，可用 x/n 估计参 数 p ，而且是无偏估计。但参数 1/p 不存在无偏估计。 其实，有偏估计不见得一定讨厌。虽然 是 的有偏 估计，即 ，但是随着样本容量 n 的增大， 并且 具有其它良好的性质。称具有这种性质的估计量为 渐近无偏估计量。抽样调查中的比估计量就是一种渐近无偏 估计量。在抽样调查理论中，有必要讨论有偏估计，这是因 为： （1）对于某些常见的参数，我们经常采用一些既合理又方 便的估计量。这些估计量在实际操作中能为几乎所有的人 接受，而它们却不是无偏估计量。 （2）既使我们采用的估计量是概率意义上的无偏估计量， 但在实际抽样中却变成了有偏估计，这是由抽样本身造成的 例如：在抽样中常常发生不回答现象，这些不回答的人一般 对所调查的问题带有一定的倾向性，根据回答者提供的资料 构造的理论上的无偏估计实质上并非整个总体的参数的无偏 估计。 3、随机误差的度量 对无偏估计，我们已经知道估计量 与参数 的差 的所有可能取值的平均值等于0，即 。用这个平 均的概念是无法度量估计量的偏差的。 以一元参数为例，由于随机性， 可以在 的左边，也可以在 的右边，而在前述平均意义下，这些正负偏差将互相抵消。随机误差的正负号是没有多大意义的，实际关心的是 距离 的长度。如果两个估计量 和 ， 远离 而 却经常在 的附近，那么我们比较喜欢使用 来估计 。我们也可以考虑用所有可能随机误差的绝对值的平均值 来度量随机误差的大小，但是绝对值在数学上处理起来不方便。因此，我们常用所有可能随机误差平方的平均值 来度量随机误差的大小， 称为均方误差，记为 在 是 的无偏估计的前提下， 实际上是 的方差即 称为 的标准误差 接着讨论前面的例子。在总数为7的盒子中抽出3个个体 组成样本 ，用 作为参数 的估计量，求估计量 的标准误差 (具体运算见(3.7)式) 也就是说，使用 来估计 ，在平均意义上的误差为 0.94。考虑到盒子中数值都是整数，标准误差0.94不是很大。 如果从盒子中抽取样本容量为5的样本，可得 也就是说，标准误差随着 n 的增大将显著地减小了，这 是一条一般性的规律，基本上与总体数N无关。 遗憾的是，在实际操作中，我们对估计量误差的测量并 不一定作得如此之好。因为在抽样调查中，盒子中每一个体 的指标值我们不能全部得知，故真正的参数也不可能得知。 可以知道的只是抽出的那组样本。因此，在实际操作中，我 们只是用样本的估计量来代替参数本身，并用样本方差 来 代替总体方差 ，从而估计出估计量的方差和标准误差。比