的抽样分配.ppt

點估計量的性質 第7章 抽樣與抽樣分配 第281頁 * 注意： θ = 母體參數 = 樣本統計量或 θ 的點估計量 θ 是希臘字母，發音是 theta， 則讀做“ theta-hat”。 一般而言，θ 代表任何母體參數，例如，母體平均數、母體標準差及母體比例等； 則代表對應的樣本統計量，例如，樣本平均數、樣本標準差及樣本比例。 點估計量的性質 良好點估計量的性質有： 不偏性 有效性 一致性 * 第7章 抽樣與抽樣分配 第281頁 不偏性 第7章 抽樣與抽樣分配 第281-282頁 * 如果樣本統計量的期望值等於要估計的母體參數之期望值，則此樣本統計量就是母體參數的不偏估計量 (unbiased estimator) 。 不偏性 樣本統計量 是母體參數 θ 的不偏估計量，如果 其中 ＝樣本統計量 的期望值 不偏性 第7章 抽樣與抽樣分配 第282頁 * 有效性 第7章 抽樣與抽樣分配 第282頁 * 假定有 n 個元素的簡單隨機樣本可以提供同個母體參數兩個不偏估計量。此種情況下，我們會使用標準差較小的點估計量，因為它可以提供更接近母體參數的估計值。標準差較小的點估計量相對於其他點估計量，有更高的相對有效性(relative efficiency) 。 有效性 第7章 抽樣與抽樣分配 第283頁 * 一致性 第7章 抽樣與抽樣分配 第283頁 * 優良點估計量的第三個特性是一致性(consistency)。簡單來說，當樣本變大，點估計量的數值變得更接近母體參數時，就稱點估計量是一致的。換言之，大樣本比小樣本能提供更好的點估計值。 評註 第7章 抽樣與抽樣分配 第283頁 * 我們在第 3 章說過，平均數與中位數都是集中位置的量數。本章只討論平均數，理由是常態母體的母體平均數等於母體中位數，而中位數的標準誤則約比平均數的標準誤大 25%。EAI 問題的n ＝30，樣本平均數的標準誤是 ＝ 730.3，中位數的標準誤則大概是 1.25 × (730.3) ＝ 913。因此，樣本平均數更有效，且有更大的機率接近母體平均數。 7.8其他抽樣方法 第7章 抽樣與抽樣分配 第284-285頁 * 分層隨機抽樣 叢集抽樣 系統抽樣 便利抽樣 判斷抽樣 分層隨機抽樣 第7章 抽樣與抽樣分配 第284頁 * 在分層隨機抽樣 (stratified random sampling) 中，母體的所有元素先被區隔成數群，稱為層 (strata) 。 母體中每一個元素只歸屬在某一個資料層中。 較好的區分方法是資料層內的元素愈相像愈好，圖 7.12 是一個母體被分成 H 個層的示意圖。 分層隨機抽樣 第7章 抽樣與抽樣分配 第284頁 * 分層隨機抽樣 第7章 抽樣與抽樣分配 第284頁 * 區隔出資料層後，再由每個資料層進行簡單隨機抽樣，利用公式可將各分層的樣本資訊整合成我們感興趣的母體參數估計值。 分層抽樣品質的好壞端視資料層內元素的同質性程度，如果同質性高 (元素都很相近)，則層內的變異將減少，只要少量的抽樣資料就可以得到整個資料層的良好估計值。 如果資料層是同質的，分層隨機抽樣的結果就和樣本總數較少的簡單隨機抽樣相同。 叢集抽樣 第7章 抽樣與抽樣分配 第284頁 * 在叢集抽樣(cluster sampling) 中，首先將母體分成幾群，稱為叢集 (clusters) 。 理想的情況下，每個叢集都可代表整個母體，就像是母體的縮小版。 叢集抽樣的價值視所用的叢集是否足以代表母體而定。 如果每個叢集都能代表母體，則只抽出少數的叢集做樣本就可得到母體參數的良好估計值。 叢集抽樣 第7章 抽樣與抽樣分配 第284頁 * 叢式抽樣 第7章 抽樣與抽樣分配 第284-285頁 * 叢集抽樣主要的應用之一是地區抽樣，每一叢集可以是城市的某個區域或其他定義清楚的地區。 優點：叢集抽樣可以讓我們在比較低的成本下，取得較大的樣本 (如：可在短時間內蒐集許多樣本觀察值) 。 缺點：此抽樣方法通常抽取的樣本數會比簡單隨機抽樣和分層隨機抽樣來得多。 系統抽樣 第7章 抽樣與抽樣分配 第285頁 * 例如，要在 5000 個元素的母體中抽出 50 個當作樣本，可以從每 5000/50 ＝ 100 個元素中抽出一個元素。 假設我們已將母體元素依序排列。這個程序是先從前 100 個元素隨機抽出一個元素，由這個被抽中的元素開始，每隔 100 個元素，就抽出 1 個，直到抽出 50 個元素為止。 這樣的抽樣方法比簡單隨機抽樣還要簡單。尤其當母體元素呈隨機排序時，由於第一個被抽出的元素是