森林经理抽样调查-稀疏总体抽样方法讲课精品.pptVIP

O 是最初抽样单元 邻域为一次4单元 S1，S2和S3为1，2和3阶叫停 灰色单元为边缘单元 叫停规则适应性群团抽样示意图 * 一次4单元和一次2单元叫停群团抽样图 对于交叉型的样方（cross pattern）,S=3的叫停规则有24个自适应群团样方 对于线性型的样方（linear pattern）,S=4的叫停规则最大有8个自适应群团样方 * 叫停规则的特点 自适应群团抽样设计的理论基础发生改变，可能导致不完全的网络（例如网络重叠); 发生与总体格局不一致的变化。 相反，不使用叫停规则能在一定临界值条件下使网络完全分离，从而形成唯一的总体分化。这种分化（partition）是 ?HH和?HT无偏估计的理论基础，因此如果使用叫停规则可能导致偏的估计。 * ?限制性的适应群团抽样（Brown 1994) (1)确定最终样本数量n (2)按照序列形式选择最初抽样单元 (3)当最初抽样单元和按照标准值所增加的单元等于或大于（1）所确定的样本数量n就停止 估计方法采用修正的HH和HT，发现有偏。然后用Bootstrap方法估计有偏量，用于调整HH和HT的有偏估计 * 标准条件 0，邻域形式：一阶4单元，最初抽样方法：SRS，n1=10，当样本容量? 15 停止，最后结果：最终样本量15，但只有n1=5 限制性群团抽样过程示意图 * ?二阶段适应群团抽样（Salehi 1997) 总体单元N＝200 分成m=8个一级单元样方（PSUs） 用不放回SRS方法抽取4个PSUs(如图中1,2,3,8) 在4个PSUs中的每个中用不放回SRS方法抽取3个二级单元样方（图中O） 最后按照一次4单元邻域和标准值（y0)增加样方单元 可以分成重叠（横跨2个二级单元）和不重叠估计，但不重叠效率更高 * ?调整的二阶段适应性群团抽样（Muttlak 2002) 总体N＝200 用不放回SRS抽取12个样方单元（x） 在最大的网络中随机抽取3个样方单元，其余11个小网络计数 导出了无偏估计公式 * ?逆的适应群团抽样（Inverse ACS) (Christman 2001) 限制性ACS在稀少分布的总体抽样可能不能产生足够量的或大量的样本量 （1）抽样前规定最初抽样单元n1中非零观察值的样本数量k＝2 （2）如果最初抽样单元数量n1中不满足k＝2，则增加最初抽样单元数量，直至满足条件k停止 导出了总体均值的估计公式，但是方差估计比较复杂 * ?限制性逆的适应性群团抽样（Constrain Inverse ACS) (Rocco 2003) 与IACS设计基本相似，不同是对2个非零观察值的处理方法 （1）保留满足最后一个非零观察值的最终抽样样本量 （2）拒绝满足最后一个非零观察值的最终抽样样本量 * ?次序统计量和叫停规则的联合抽样设计 （Su 2003) 对抽样总体很难预先确定临界值, 而临界值的大小直接影响最终抽样数量，因此为了获得抽样精度和抽样效率，Su et al（2003)在抽样设计中提出了偏差小的次序统计量(order statistics)方法来确定临界值。 ? 一般经常采用次序统计量方法来确定临界值，所以临界值大小随序列而确定，即临界值为C＝y(n1-r)，与最初ACS抽样技术事先确定的临界值不同。最初样本量为n1 * 抽样设计案例：单元数10个，y值给定，总体＝ 283 ，平均数＝28.3，方差＝860.4556 ? ? 随机抽取n1=3个单元（红色表示), 最大是y(1)=99，取 标 准值为C＝y(n1－r) ＝35 2 20 8 99 55 12 9 15 35 28 ? 加y(1)相邻的单元，y＝55值大于y(2)＝35 2 20 8 99 55 12 9 15 35 28 2 20 8 99 55 12 9 15 35 28 ? y=55相邻处加y=12, 因为y=12没有超过y(2)＝35，则停止 * ?二阶段序贯适应性群团抽样（Two-stage Sequential Sampling)(Salehi et al. 2005) 为了避免选择过多且不能提高估计精度的边缘单元 总体单元N＝200 标准值＝10 提出了估计方法 这种设计比传统的适应性群团抽样设计效率更高 * 1 2 3 4 5 6 7 8 二阶段序贯抽样(Salehi and Smith 2005 JABES) 将总体分成8个一级单元（PSU）；在总体中SRS抽取4个PSU; 在每个PSU抽取2个最初单元；满足标准值C＝10，则在PSU中随机抽取4个附加单元（additional units