發(fā)布時(shí)間：2020-11-12 15:07

　　 由于大部分抽樣調(diào)查的設(shè)計(jì)只為獲取總體信息,容易使得在一些子群體上的樣本分配較少,導(dǎo)致對(duì)這些子群體參數(shù)的估計(jì)達(dá)不到精度要求.在單元級(jí)上通過(guò)建立合適的模型來(lái)挖掘子群體間的共同信息,并利用提取的信息來(lái)提高小樣本子群體參數(shù)估計(jì)精度的方法是近年來(lái)小區(qū)域估計(jì)常用的方法.但現(xiàn)有的方法中通常假定模型中的誤差項(xiàng)相互獨(dú)立,這在許多時(shí)候不符合實(shí)際,而密度比模型可有效地刻畫(huà)子群體誤差項(xiàng)間的相關(guān)性.本文在假定誤差項(xiàng)服從密度比模型的條件下研究小區(qū)域均值估計(jì)問(wèn)題,主要內(nèi)容如下:首先,在假定嵌套誤差線性回歸模型誤差項(xiàng)服從密度比模型的情況下,通過(guò)經(jīng)驗(yàn)似然方法估計(jì)出各小區(qū)域的誤差分布函數(shù),并由此估計(jì)出子群體目標(biāo)變量的分布函數(shù),從而通過(guò)該分布函數(shù)估計(jì)出各小區(qū)域均值.數(shù)值模擬結(jié)果表明,該方法給出的均值估計(jì)具有較小的偏差和均方誤差.其次,基于嵌套誤差非參數(shù)模型,在假定誤差項(xiàng)服從密度比模型的情況下研究小區(qū)域均值估計(jì).先通過(guò)懲罰樣條擬合非參數(shù)函數(shù),然后基于擬合殘差利用經(jīng)驗(yàn)似然方法估計(jì)誤差分布函數(shù),并進(jìn)一步估計(jì)出子群體目標(biāo)變量的分布函數(shù),再用目標(biāo)變量的分布函數(shù)來(lái)估計(jì)各小區(qū)域的均值.數(shù)值模擬結(jié)果表明,相比于直接估計(jì),新方法能夠顯著提高估計(jì)精度,但差于線性模型.此外,還發(fā)現(xiàn)密度比模型中基函數(shù)的選擇對(duì)線性模型有顯著影響,但對(duì)非參數(shù)模型的影響很小.最后,利用提出的方法研究了一組加拿大人口抽樣調(diào)查數(shù)據(jù)中的個(gè)人收入小區(qū)域估計(jì)問(wèn)題.
【學(xué)位單位】：青海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：C815
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 基于設(shè)計(jì)的方法
        1.2.2 基于模型的方法
    1.3 研究意義
    1.4 研究?jī)?nèi)容
第二章 預(yù)備知識(shí)
    2.1 符號(hào)和假設(shè)
    2.2 兩個(gè)基本的小區(qū)域估計(jì)模型
        2.2.1 區(qū)域級(jí)模型
        2.2.2 單元級(jí)模型
        2.2.3 兩個(gè)基本模型的聯(lián)系與區(qū)別
    2.3 估計(jì)方法
    2.4 相關(guān)理論
        2.4.1 經(jīng)驗(yàn)似然方法
        2.4.2 密度比模型
        2.4.3 基于密度比模型的小區(qū)域均值估計(jì)
第三章 線性模型下的小區(qū)域均值估計(jì)
    3.1 模型與假設(shè)
    3.2 估計(jì)方法
    3.3 數(shù)值模擬
    3.4 實(shí)例分析
第四章 非參數(shù)模型下的小區(qū)域均值估計(jì)
    4.1 模型與假設(shè)
    4.2 估計(jì)方法
    4.3 數(shù)值模擬
    4.4 線性與非參數(shù)模擬結(jié)果對(duì)比
    4.5 實(shí)例分析
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介
攻讀碩士學(xué)位期間研究成果

【參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 李華鵬;經(jīng)驗(yàn)似然在密度比模型和小域估計(jì)中的若干研究[D];華東師范大學(xué);2018年

相關(guān)碩士學(xué)位論文 前1條

1 閆單單;基于復(fù)雜抽樣的小域估計(jì)方法及其在中國(guó)的應(yīng)用研究[D];暨南大學(xué);2017年

本文編號(hào)：2880887