贝叶斯估计在抽样调查中的应用.ppt

* 贝叶斯估计在抽样推断中的应用 贝叶斯估计法也是一种需要利用与调查变量相关的辅助变量（先验信息）进行估计的方法，但其方法和思路与其他方法相比有自己的特色。贝叶斯估计法的基本思路是，要对某一指标或目标进行估计，则总体以前该指标的水平，即先验指标与目前欲估计的指标（即目标量）也称后验指标有关，可以利用先验指标对后验指标进行估计。 * 设，欲对总体均值 进行估计，根据该总体以往的资料有该指标的平均数 和方差 ，现从总体N中抽出容量为n的样本，计算得样本平均数 和该平均数的方差 ，则总体均值的贝叶斯估计法的估计量为： * 其中： 估计量的方差为： * 显然 是相关的同一指标的两个取值水平，则上式的 可以看做是以方差的倒数 和 为权数的加权算术平均，实际上此方差的 倒数是估计精度的倒数，即方差的值越大，其 倒数便越小，则相应平均数作为估计的精度就 越低，通俗的讲是该平均数的代表性越差；反之，方差越小，其倒数越大，相应平均数的估计精度越高。 * 贝叶斯估计量方差的意义是先验指标和抽样指标精度之和的倒数。而以上估计式有非常直观的含义：贝叶斯估计量的精度为先验指标精度与抽样指标精度之和，这意味着贝叶斯估计量的精度要高于 中任何一个作为估计量的估计精度，即： * 例如，某市有居民家庭共97670户，根据上年的统计，居民人均月货币收入为2580元，其方差为5804.22，现从该总体中随机抽出100户，调查目前居民人均收入水平情况，有关调查结果和计算见表8. * * * * * * * * * * * * * * 第六章 贝叶斯估计及其在 抽样调查中的应用 * （Bayes，Thomas）(1702─1761) 贝叶斯是英国数学家.1702年生于伦敦；1761年4月17日卒于坦布里奇韦尔斯. 贝叶斯是一位自学成才的数学家.曾助理宗教事务，后来长期担任坦布里奇韦尔斯地方教堂的牧师.1742年，贝叶斯被选为英国皇家学会会员. 如今在概率、数理统计学中以贝叶斯姓氏命名的有贝叶斯公式、贝叶斯风险、贝叶斯决策函数、贝叶斯决策规则、贝叶斯估计量、贝叶斯方法、贝叶斯统计等等. * 贝叶斯方法(Bayesian approach ) 贝叶斯方法是基于贝叶斯定理而发展起来用于系统地阐述解决统计问题的方法(Samuel Kotz和吴喜之,2000)。 贝叶斯推断的基本方法是将关于未知参数的先验信息与样本信息综合，再根据贝叶斯定理，得出后验信息，然后根据后验信息去推断未知参数(茆诗松和王静龙等,1998年)。 “贝叶斯提出了一种归纳推理的理论(贝叶斯定理)，以后被一些统计学者发展为一种系统的统计推断方法，称为贝叶斯方法.”──摘自《中国大百科全书》（数学卷） * 第一章先验分布与后验分布 统计学有两个主要学派:频率学派与贝叶斯学派.它们之间有异同,贝叶斯统计是在与经典统计的争论中发展起来,主要的争论有: 1.未知参数可否作为随机变量? 2.事件的概率是否一定的频率解释? 3.概率是否可用经验来确定? ………. §1.1 先介绍三种信息的概念 经典统计学派规定统计推断使用两种信息: 总体信息 样本信息 而贝叶斯学派认为是三种信息: 总体信息 样本信息 先验信息 * 总体信息 即总体分布或总体所属分布族给我们的信息。 譬如，“总体是正态分布”就给我们带来很多信息：密度函数是一条钟形曲线；一切一阶距都存在；有关正态变量（服从正态分布随机变量）的一些事件的概率可以计算；由正态分布可以导出分布，分布和分布等重要分布，还有许多成熟的点估计、区间估计和假设检验方法可供我们选用。总体信息是很重要的信息，为了获得此信息，往往耗资巨大。 * 样本信息 从总体中抽取的样本给我们提供的信息。 这是最“新鲜”的信息，并且愈多愈好。人们希望对样本的加工和处理对总体的某些特征作出较为精确的统计推断。没有样本就没有统计