¹重庆大学数学与统计学院统计与精算学系，重庆

²重庆大学分析数学与应用重庆市重点实验室，重庆

收稿日期：2022年3月12日；录用日期：2022年3月25日；发布日期：2022年4月11日

摘要

比率估计与回归估计是利用辅助变量信息用以提高估计精度的非常重要的抽样技术。但在文献中，还没有方便的可以用于在仅给定基本的样本数据时得出总体均值与总体总值的比率估计量与回归估计量及其标准误差和置信区间的通用的R函数(程序)。本文自编了五个通用的R函数(程序)：Compute_R_ratio()、Compute_Y_bar_Y_MR()、Compute_Y_bar_Y_ratio()、Compute_Y_bar_Y_lr()及Compute_Y_bar_Y_Rs_Rc_lrs_lrc()，它们将会为需要使用比率估计及回归估计抽样技术以提高估计精度进行实际问题分析的使用者提供极大的方便。

关键词

比率估计，回归估计，分层估计，点估计和区间估计，R函数

Five Very Practical R Functions in Ratio Estimation and Regression Estimation Sampling Techniques

Shiyang Liu^1*, Yingying Zhang^1,2*#

¹Department of Statistics and Actuarial Science, College of Mathematics and Statistics, Chongqing University, Chongqing

²Chongqing Key Laboratory of Analytic Mathematics and Applications, Chongqing University, Chongqing

Received: Mar. 12^th, 2022; accepted: Mar. 25^th, 2022; published: Apr. 11^th, 2022

ABSTRACT

Ratio estimation and regression estimation are very important sampling techniques to improve estimation accuracy by using auxiliary variable information. However, in the literature, there is no general R function (program) which can be used to obtain the ratio estimator, regression estimator, standard error and confidence interval of the population mean and total value given only basic sample data. In this paper, we have written five general R functions (programs): Compute_R_ratio(), Compute_Y_bar_Y_MR(), Compute_Y_bar_Y_ratio(), Compute_Y_bar_Y_lr(), and Compute_Y_bar_Y_Rs_Rc_lrs_lrc(). The R functions (programs) will provide a great convenience for the users who need to use ratio estimation and regression estimation sampling techniques to improve the estimation accuracy and analyze practical problems.

Keywords:Ratio Estimation, Regression Estimation, Stratification Estimation, Point Estimation and Interval Estimation, R Function

Copyright © 2022 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

比率估计 [1] [2] 与回归估计 [3] - [8] 是抽样技术 [9] - [20] 中极为重要的一部分内容。同时R软件 [21] [22] 作为统计学的常用编程工具，它具有完全免费、简洁高效、运行方便等优点。本文选取R软件对抽样调查中比率估计与回归估计的相关点估计和区间估计问题进行了程序实现。针对比率估计与回归估计以及相应的分层估计，本文自编了五个非常实用的R函数：Compute_R_ratio() (用于计算总体比率的点估计和区间估计)、Compute_Y_bar_Y_MR() (用于计算一元及二元辅助变量下总体均值与总体总值的比率点估计和区间估计)、Compute_Y_bar_Y_ratio() (用于计算总体均值及总体总值的比率点估计和区间估计)、Compute_Y_bar_Y_lr() (用于计算总体均值及总体总值的回归点估计和区间估计)及Compute_Y_bar_Y_Rs_Rc_lrs_lrc() (用于计算总体均值及总体总值的分层比率和分层回归点估计和区间估计)。我们在对这五个R函数进行输入变量及输出变量的解释后给出了相应实际问题的R程序实现。我们相信，这五个R函数将会为需要使用比率估计及回归估计抽样技术以提高估计精度进行实际问题分析的使用者提供极大的方便。

2. 比率估计与回归估计中五个非常实用的R函数及应用举例

我们推荐比率估计与回归估计中五个非常实用的R函数。

R函数1：Compute_R_ratio()

对于比率估计，给定

${\displaystyle \underset{i=1}{\overset{n}{\sum }}{x}_i},{\displaystyle \underset{i=1}{\overset{n}{\sum }}{y}_i},{\displaystyle \underset{i=1}{\overset{n}{\sum }}{x}_i^2},{\displaystyle \underset{i=1}{\overset{n}{\sum }}{y}_i^2},{\displaystyle \underset{i=1}{\overset{n}{\sum }}{x}_i{y}_i},n,\alpha$

得到计算总体比率R的点估计和区间估计的R函数(程序) Compute_R_ratio()。由于正文版面的限制，函数Compute_R_ratio()的内容及输入输出的解释放在了补充材料中(下载链接： https://pan.baidu.com/s/1shGvwDATk7bQmnL97JpnDA?pwd=1234，提取码：1234)。

下面我们举一个例子来说明Compute_R_ratio()的使用方法。

例1 ( [18] 中例5.2)在某地区抽取了由33个住户组成的简单随机样本，对每户调查两个指标：人口数( $x_i$ )和每天用于食品支出的费用( $y_i$ )，经计算得

${\displaystyle \underset{i=1}{\overset{33}{\sum }}{x}_i}=123,{\displaystyle \underset{i=1}{\overset{33}{\sum }}{x}_i^2}=533,{\displaystyle \underset{i=1}{\overset{33}{\sum }}{y}_i}=907.2,{\displaystyle \underset{i=1}{\overset{33}{\sum }}{y}_i^2}=28224,{\displaystyle \underset{i=1}{\overset{33}{\sum }}{x}_i}{y}_i=3595.5$

试对该地区平均每人每天用于食品的支出进行估计，并求其置信度为95%的置信区间。

解：显然现在需要估计总体比率R。可以计算：

$\hat{R}=\frac{{\displaystyle \underset{i=1}{\overset{33}{\sum }}{y}_i}}{{\displaystyle \underset{i=1}{\overset{33}{\sum }}{x}_i}}=7.37561$

$v_{\text{2}}\left(\hat{R}\right)=\frac{n}{\left(n-1\right){\left({\displaystyle \underset{i=1}{\overset{n}{\sum }}{x}_i}\right)}^2}\left({\displaystyle \underset{i=1}{\overset{n}{\sum }}{y}_i^2}+{\hat{R}}^2{\displaystyle \underset{i=1}{\overset{n}{\sum }}{x}_i^2}-2\hat{R}{\displaystyle \underset{i=1}{\overset{n}{\sum }}{y}_i{x}_i}\right)=0.2849919$

$se\left(\hat{R}\right)=\sqrt{v_{\text{2}}\left(\hat{R}\right)}=0.5338464$

$L=\hat{R}-t\cdot se\left(\hat{R}\right)=6.32929,U=\hat{R}+t\cdot se\left(\hat{R}\right)=8.421929$

代入数据计算如下：

> rm(list = ls(all = TRUE))

> source(subfunctions.R)

> res = Compute_R_ratio(sum_x = 123, sum_y = 907.2, sum_x2 = 533, sum_y2 = 28224, sum_xy = 3595.5, n = 33, alpha = 0.05); res

R_hat v_2_R_hatse_R_hat L U

1 7.37561 0.2849919 0.5338464 6.32929 8.421929

因此，该地区人均每天食品支出7.38元，区间估计为[6.33, 8.42]元。

R函数2：Compute_Y_bar_Y_MR()

对于比率估计，给定：

${\bar{X}}_1,{\bar{X}}_2,\bar{y},{\bar{x}}_1,{\bar{x}}_2,s_y^2,s_{x_1}^2,s_{x_2}^2,s_{y{x}_1},s_{y{x}_2},n,N\text{,}\alpha$

得到计算一元及二元辅助变量下总体均值 $\bar{Y}$ 与总体总值Y的比率估计量及其方差、标准误差及区间估计的R函数(程序) Compute_Y_bar_Y_MR()。由于正文版面的限制，函数Compute_Y_bar_Y_MR()的内容及输入输出的解释放在了补充材料中。

下面我们举一个例子来说明Compute_Y_bar_Y_MR()的使用方法。

例2 ( [18] 中例5.4)为精确估计某地区皮棉总产量，在该地区301个村庄中简单随机抽取了18个村庄，在调查皮棉产量 $y_i$ 的同时记录了皮棉种植面积 $x_{1i}$ 和良种比例 $x_{2i}$。该地区皮棉种植总面积为 $X_1=7450{\text{hm}}^2$，采用良种的平均比例为 ${\bar{X}}_2=40.10\%$。现以种植面积和良种比例为辅助变量对皮棉总产量分别做一元比率估计和二元比率估计，并比较二者估计精度的差异。对调查数据经过计算得到以下结果：

$f=\frac{n}{N}=\text{0}\text{.05980066},\frac{1-f}{n}=0.052233\text{3},{\bar{X}}_{\text{2}}=40.10/100$

$\bar{y}=13.7967,{\bar{x}}_1=24.43899,{\bar{x}}_2=38.4444/100,s_y^2=35.4858$

$s_{x_1}^2=74.6789187,s_{x_2}^2=174.9671/10000,s_{y{x}_1}=42.26167,s_{y{x}_2}=46.5118/100$

解：对于一元比率估计，只使用皮棉种植面积作为辅助变量时，可得：

${\hat{Y}}_{R_1}=\frac{\bar{y}}{{\bar{x}}_1}{X}_1={\hat{R}}_1{X}_1=4205.796$

$v\left({\hat{Y}}_{R_1}\right)=\frac{N^2\left(1-f\right)}{n}\left(s_y^2+{\hat{R}}_1^2{s}_{x_1}^2-2{\hat{R}}_1{s}_{y{x}_1}\right)=54751.7$

$se\left({\hat{Y}}_{R_1}\right)=\sqrt{v\left({\hat{Y}}_{R_1}\right)}=233.9908$

$L_{Y_{R_1}}={\hat{Y}}_{R_1}-t\cdot se\left({\hat{Y}}_{R_1}\right)=3747.183,U_{Y_{R_1}}={\hat{Y}}_{R_1}+t\cdot se\left({\hat{Y}}_{R_1}\right)=4664.41$

对于一元比率估计，只使用良种比例作为辅助变量时，可得：

${\hat{Y}}_{R_{\text{2}}}=\frac{\bar{y}}{{\bar{x}}_2}{X}_2={\hat{R}}_2{X}_2=4331.646$

$v\left({\hat{Y}}_{R_2}\right)=\frac{N^2\left(1-f\right)}{n}\left(s_y^2+{\hat{R}}_2^2{s}_{x_2}^2-2{\hat{R}}_2{s}_{y{x}_2}\right)=116587.9$

$se\left({\hat{Y}}_{R_2}\right)=\sqrt{v\left({\hat{Y}}_{R_2}\right)}=341.4497$

$L_{Y_{R_2}}={\hat{Y}}_{R_2}-t\cdot se\left({\hat{Y}}_{R_2}\right)=3662.417,U_{Y_{R_2}}={\hat{Y}}_{R_2}+t\cdot se\left({\hat{Y}}_{R_2}\right)=5000.876$

对于二元比率估计，即同时使用皮棉种植面积及良种比例做辅助变量，可得：

${\hat{Y}}_{MR}=W_1{\hat{Y}}_{R_1}+W_2{\hat{Y}}_{R_2}=-43250.28$

$v\left({\hat{Y}}_{MR}\right)=\frac{N^2\left(v_{11}{v}_{22}-v_{12}^2\right)}{v_{11}+v_{22}-2v_{12}}=-11588534$

$se\left({\hat{Y}}_{MR}\right)=\sqrt{v\left({\hat{Y}}_{MR}\right)}=\text{NaN}$

$L_{Y_{MR}}={\hat{Y}}_{MR}-t\cdot se\left({\hat{Y}}_{MR}\right)=\text{NaN},U_{Y_{MR}}={\hat{Y}}_{MR}+t\cdot se\left({\hat{Y}}_{MR}\right)=\text{NaN}$

代入本题数据进行计算得到：

> res_Y_bar_Y_MR = Compute_Y_bar_Y_MR(X1_bar = 7450 / 301, X2_bar = 40.10 / 100, y_bar = 13.7967, x1_bar = 24.43899, x2_bar = 38.4444 / 100, s2_y = 35.4858, s2_x1 = 74.6789187, s2_x2 = 174.9671 / 10000, s_y_x1 = 42.26167, s_y_x2 = 46.5118 / 100, n = 18, N = 301, alpha = 0.05); res_Y_bar_Y_MR

Warning message:

In sqrt(v_y_bar_MR) : 产生了NaNs

$df_0_MR

f t R1_hat R2_hatv_11 v_22

1 0.05980066 1.959964 0.5645364 35.88741 0.6043168 1.286828

v_12 w_1 w_2

1 0.9451204 378.0842 -377.0842

$df_Y_bar_R1

y_bar_R1 v_y_bar_R1 se_y_bar_R1 L_Y_bar_R1 U_Y_bar_R1

1 13.972750.6043168 0.7773781 12.44911 15.49638

$df_Y_R1

Y_hat_R1 v_Y_hat_R1 se_Y_hat_R1 L_Y_R1U_Y_R1

1 4205.796 54751.7 233.9908 3747.183 4664.41

$df_Y_bar_R2

y_bar_R2 v_y_bar_R2 se_y_bar_R2 L_Y_bar_R2 U_Y_bar_R2

1 14.39085 1.286828 1.134384 12.1675 16.6142

$df_Y_R2

Y_hat_R2 v_Y_hat_R2 se_Y_hat_R2 L_Y_R2 U_Y_R2

1 4331.646 116587.9 341.4497 3662.417 5000.876

$df_Y_bar_MR

y_bar_MR v_y_bar_MR se_y_bar_MR L_Y_bar_MR U_Y_bar_MR

1 -143.6886-127.9074 NaN NaN NaN

$df_Y_MR

Y_hat_MR v_Y_hat_MR se_Y_hat_MR L_Y_MR U_Y_MR

1 -43250.28-11588534 NaN NaN NaN

上述程序结果给出了使用一元及二元辅助变量下关于总体均值及总体总值的估计量及其方差、标准误差及置信区间的信息。对于本题所要研究的总体总值来看，只使用种植面积作为辅助变量时，我们得到该地区皮棉总产量 ${\hat{Y}}_{R_1}=4205.796$，抽样标准误差为 $se\left({\hat{Y}}_{R_1}\right)=233.9908$，且皮棉总产量的区间估计为[3747.183, 4664.41]；只使用良种比例作为辅助变量时，我们得到该地区皮棉总产量为 ${\hat{Y}}_{R_{\text{2}}}=\text{4331}\text{.646}$，抽样标准误差为 $se\left({\hat{Y}}_{R_{\text{2}}}\right)=341.4497$，且皮棉总产量的区间估计为[3662.417, 5000.876]。我们从分别使用种植面积及良种比例作为辅助变量做比率估计来看，使用种植面积做辅助变量情况下，总体总值的抽样标准误差较小，且具有更小的区间估计范围，估计效果优于使用良种比例作为辅助变量时的比率估计。二元比率估计情形下，我们可以看到程序结果计算得到的皮棉总产量及方差为负值，显然为不合理的结果。通过我们即将做的模拟实验得到二元比率估计下的标准误差均比一元情形下有更好的结果，这说明我们所编写的R函数Compute_Y_bar_Y_MR()为正确函数，出现本题不合理的结果的可能原因是本题输入数据可能存在一定的偏差。

现考虑对二元辅助变量下的函数进行程序模拟检验其正确性。

> y_bar = 13.7967; x1_bar = 24.43899; x2_bar = 38.4444 / 100; s2_y = 35.4858; s2_x1 = 74.6789187; s2_x2 = 174.9671 / 10000

> ## set.seed(i), i = 1, 2, 3, 4, 5结果类似。

> set.seed(5)

> y = sort(rnorm(n = 18, mean = y_bar, sd = sqrt(s2_y))); y

[1]0.7868196.3177407.3608067.4122308.7877279.020503

[7] 10.011796 10.205180 10.238508 10.984007 12.094348 12.858268

[13] 12.968760 14.214540 14.619410 21.109689 22.043323 23.991746

> y_bar = mean(y); y_bar

[1] 11.94586

> s2_y = var(y); s2_y

[1] 33.65602

> x1 = sort(rnorm(n = 18, mean = x1_bar, sd = sqrt(s2_x1))); x1

[1] 17.06939 18.76069 21.90281 22.19772 26.52006 27.16903 30.54660

[8] 31.51662 32.22094 32.57834 32.66220 34.02863 34.95683 36.69801

[15] 37.12467 37.22198 37.39094 43.58433

> x1_bar = mean(x1); x1_bar

[1] 30.7861

> s2_x1 = var(x1); s2_x1

[1] 51.64541

> x2 = sort(rnorm(n = 18, mean = x2_bar, sd = sqrt(s2_x2))); x2

[1] 0.1198312 0.1513506 0.2509079 0.2671148 0.2783034 0.2886334

[7] 0.3061590 0.3235651 0.3240513 0.3655805 0.3745791 0.3752891

[13] 0.4092755 0.4588122 0.5196322 0.5779954 0.5894784 0.6351937

> x2_bar = mean(x2); x2_bar

[1] 0.3675418

> s2_x2 = var(x2); s2_x2

[1] 0.02071014

> s_y_x1 = cov(y, x1); s_y_x1

[1] 37.4813

> s_y_x2 = cov(y, x2); s_y_x2

[1] 0.8125443

代入模拟数据进行计算得到：

> res_Y_bar_Y_MR = Compute_Y_bar_Y_MR(X1_bar = 7450 / 301, X2_bar = 40.10 / 100, y_bar, x1_bar, x2_bar, s2_y, s2_x1, s2_x2, s_y_x1, s_y_x2, n = 18, N = 301, alpha = 0.05); res_Y_bar_Y_MR

$df_0_MR

f t R1_hat R2_hat v_11 v_22

1 0.05980066 1.959964 0.3880276 32.50203 0.6447927 0.1418217

v_12 w_1 w_2

1 0.300132 -0.8495305 1.849531

$df_Y_bar_R1

y_bar_R1 v_y_bar_R1 se_y_bar_R1 L_Y_bar_R1 U_Y_bar_R1

1 9.6040050.6447927 0.8029898 8.030174 11.17784

$df_Y_R1

Y_hat_R1 v_Y_hat_R1 se_Y_hat_R1 L_Y_R1 U_Y_R1

1 2890.805 58418.86 241.6999 2417.082 3364.529

$df_Y_bar_R2

y_bar_R2 v_y_bar_R2 se_y_bar_R2 L_Y_bar_R2 U_Y_bar_R2

1 13.033310.1418217 0.3765922 12.29521 13.77142

$df_Y_R2

Y_hat_R2 v_Y_hat_R2 se_Y_hat_R2 L_Y_R2 U_Y_R2

1 3923.028 12849.19 113.3543 3700.857 4145.198

$df_Y_bar_MR

y_bar_MRv_y_bar_MR se_y_bar_MR L_Y_bar_MR U_Y_bar_MR

1 15.94662 0.0073322760.08562871 15.77879 16.11445

$df_Y_MR

Y_hat_MR v_Y_hat_MR se_Y_hat_MR L_Y_MR U_Y_MR

1 4799.932 664.3116 25.77424 4749.415 4850.448

由以上模拟实验结果得到二元比率估计下的标准误差均比一元情形下更好，这说明我们所编写的R函数Compute_Y_bar_Y_MR()为正确函数。

R函数3：Compute_Y_bar_Y_ratio()

对于比率估计，给定

$x,y,X,n,N\text{,}\alpha$

得到计算总体均值 $\bar{Y}$ 及总体总值Y的比率估计量及其方差、标准误差及区间估计的R函数(程序)Compute_Y_bar_Y_ratio()，其中 $x=\left(x_1,\cdots ,x_n\right)$ 为辅助变量的数据向量， $y=\left(y_1,\cdots ,y_n\right)$ 为调查变量的数据向量。由于正文版面的限制，函数Compute_Y_bar_Y_ratio()的内容及输入输出的解释放在了补充材料中。

下面我们举一个例子来说明Compute_Y_bar_Y_ratio()的使用方法。

例3 ( [18] 中例5.5)某地区有规模以下工业企业127个，共有固定资产价值6794.5万元，从中随机抽取20个企业调查工业产值 $y_i$ 及固定资产价值 $x_i$，如表1所示。试通过比率估计得到该地区规模以下工业总产值 ${\hat{Y}}_R$ 及抽样标准误差 $se\left({\hat{Y}}_R\right)$。

表1. 企业固定资产价值及工业产值(单位：万元)

解：计算得到：

$f=\frac{n}{N}=\text{0}\text{.1574803},t=Z_{\alpha /2}=\text{1}\text{.959964},\bar{X}=\frac{X}{N}=\text{53}\text{.5}$

$\bar{x}=\text{51}\text{.75},\bar{y}=\text{48}\text{.25},s_y^2=\text{67}\text{.74684}$

$s_x^2=\text{88}\text{.51316},s_{yx}=\text{73}\text{.41316},\hat{R}=\frac{\bar{y}}{\bar{x}}=\text{0}\text{.9323671}$

${\hat{Y}}_R=N{\bar{y}}_R=N\frac{\bar{y}}{\bar{x}}\bar{X}=6334.969$

$v\left({\hat{Y}}_R\right)=N^{2}v\left({\bar{y}}_R\right)=\frac{N^2\left(1-f\right)}{n}\left(s_y^2+{\hat{R}}^2{s}_x^2-2\hat{R}{s}_{yx}\right)=5297.026$

$se\left({\hat{Y}}_R\right)=\sqrt{v\left({\hat{Y}}_R\right)}=72.78067$

$L_{Y_R}={\hat{Y}}_R-t\cdot se\left({\hat{Y}}_R\right)=6192.321,U_{Y_R}={\hat{Y}}_R+t\cdot se\left({\hat{Y}}_R\right)=6477.616$

代入题中数据得到：

> n = 20; N = 127; alpha = 0.05; X = 6794.5

> x_vector = c(35, 43, 50, 40, 55, 58, 38, 45, 47, 42, 50, 70, 62, 58, 52, 63, 64, 53, 54, 56)

> y_vector = c(32.0, 40.2, 47.5, 41.5, 51.0, 53.4, 33.8, 42.8, 45.6, 40.8, 45.5, 65.0, 56.0, 55.0, 57.0, 54.2, 56.5, 48.2, 49.8, 49.2)

> res_Y_bar_Y_ratio = Compute_Y_bar_Y_ratio(x_vector, y_vector, X, n, N, alpha); res_Y_bar_Y_ratio

$df_0_ratio

f t X_bar x_bar y_bar s2_y s2_x s_yx

1 0.1574803 1.95996453.5 51.75 48.25 67.74684 88.51316 73.41316

R_hat

1 0.9323671

$df_Y_bar_ratio

y_bar_ratio v_y_bar_ratio se_y_bar_ratio L_Y_bar_ratio

1 49.88164 0.3284162 0.5730761 48.75843

U_Y_bar_ratio

1 51.00485

$df_Y_ratio

Y_hat_ratio v_Y_hat_ratio se_Y_hat_ratio L_Y_ratio U_Y_ratio

1 6334.969 5297.026 72.780676192.3216477.616

从上述程序结果我们可以得到工业均产值和工业总产值的比率估计量及其方差、标准误差和置信区间的信息。对于本题感兴趣的工业总产值的比率估计而言，工业总产值的比率估计量为 ${\hat{Y}}_R=6334.969$ 万元，抽样标准误差为 $se\left({\hat{Y}}_R\right)=72.78067$ 万元，工业总产值的比率估计的置信度为95%的区间估计为[6192.321, 6477.616] 万元。

R函数4：Compute_Y_bar_Y_lr()

对于回归估计，给定

$x,y,X,n,N,\alpha$

得到计算总体均值 $\bar{Y}$ 及总体总值Y的回归估计量及其方差、标准误差和区间估计的R函数(程序)Compute_Y_bar_Y_lr()，其中 $x=\left(x_1,\cdots ,x_n\right)$ 为辅助变量的数据向量， $y=\left(y_1,\cdots ,y_n\right)$ 为调查变量的数据向量。由于正文版面的限制，函数Compute_Y_bar_Y_lr()的内容及输入输出的解释放在了补充材料中。

下面我们举一个例子来说明Compute_Y_bar_Y_lr()的使用方法。

例4 (已知信息同本文例3)试通过回归估计得到该地区规模以下工业总产值 ${\hat{Y}}_{lr}$ 及抽样标准误差 $se\left({\hat{Y}}_{lr}\right)$。

解：计算得到：

$f=\frac{n}{N}=\text{0}\text{.1574803},t=Z_{\alpha /2}=\text{1}\text{.959964},\bar{X}=\frac{X}{N}=\text{53}\text{.5}$

$\bar{x}=\text{51}\text{.75},\bar{y}=\text{48}\text{.25},s_y^2=\text{67}\text{.74684}$

$s_x^2=\text{88}\text{.51316},s_{yx}=\text{73}\text{.41316},b=\frac{s_{yx}}{s_x^2}=0.8294039$

${\bar{y}}_{lr}=\bar{y}+b\left(\bar{X}-\bar{x}\right)=\bar{y}-b\left(\bar{x}-\bar{X}\right)=49.70146$

$v\left({\bar{y}}_{lr}\right)=\frac{1-f}{n}\left(s_y^2-\frac{s_{yx}^2}{s_x^2}\right)=0.2888866,se\left({\bar{y}}_{lr}\right)=\sqrt{v\left({\bar{y}}_{lr}\right)}=0.5374818$

$L_{{\bar{Y}}_{lr}}={\bar{y}}_{lr}-t\cdot se\left({\bar{y}}_{lr}\right)=48.64801,U_{{\bar{Y}}_{lr}}={\bar{y}}_{lr}+t\cdot se\left({\bar{y}}_{lr}\right)=50.7549$

${\hat{Y}}_{lr}=N{\bar{y}}_{lr}=6312.085$

$v\left({\hat{Y}}_{lr}\right)=N^{2}v\left({\bar{y}}_{lr}\right)=4659.453,se\left({\hat{Y}}_{lr}\right)=N\cdot se\left({\bar{y}}_{lr}\right)=68.26018$

$L_{Y_{lr}}=N{L}_{{\bar{Y}}_{lr}}=6178.298,U_{Y_{lr}}=N{U}_{{\bar{Y}}_{lr}}=6445.873$

代入数据计算得到：

> n = 20; N = 127; alpha = 0.05; X = 6794.5

> x_vector = c(35, 43, 50, 40, 55, 58, 38, 45, 47, 42, 50, 70, 62, 58, 52, 63, 64, 53, 54, 56)

> y_vector = c(32.0, 40.2, 47.5, 41.5, 51.0, 53.4, 33.8, 42.8, 45.6, 40.8, 45.5, 65.0, 56.0, 55.0, 57.0, 54.2, 56.5, 48.2, 49.8, 49.2)

> res_Y_bar_Y_lr = Compute_Y_bar_Y_lr(x_vector, y_vector, X, n, N, alpha); res_Y_bar_Y_lr

$df_0_lr

f t X_bar x_bar y_bar s2_y s2_x s_yx

1 0.1574803 1.95996453.5 51.75 48.25 67.74684 88.51316 73.41316

b

1 0.8294039

$df_Y_bar_lr

y_bar_lr v_y_bar_lr se_y_bar_lr L_Y_bar_lr U_Y_bar_lr

1 49.701460.2888866 0.5374818 48.64801 50.7549

$df_Y_lr

Y_hat_lr v_Y_hat_lr se_Y_hat_lr L_Y_lr U_Y_lr

1 6312.085 4659.453 68.26018 6178.298 6445.873

从上述程序结果我们可以得到工业均产值和工业总产值的回归估计量及其方差、标准误差和置信区间的信息。对于本题感兴趣的工业总产值的回归估计而言，工业总产值的回归估计量为 ${\hat{Y}}_{lr}=6312.085$ 万元，抽样标准误差为 $se\left({\hat{Y}}_{lr}\right)=68.26018$ 万元，工业总产值的回归估计的置信度为95%的区间估计为[6178.298, 6445.873]万元。

R函数5：Compute_Y_bar_Y_Rs_Rc_lrs_lrc()

对于分层比率估计和分层回归估计，给定

$W_h,n_h,f_h,{\bar{y}}_h,{\bar{x}}_h,{\bar{X}}_h,s_{y_h}^2,s_{x_h}^2,s_{y{x}_h}\text{,}N,\alpha$

得到计算总体均值 $\bar{Y}$ 及总体总值Y的分层比率估计量和分层回归估计量及其方差、标准误差和区间估计的R函数(程序)Compute_Y_bar_Y_Rs_Rc_lrs_lrc()。由于正文版面的限制，函数Compute_Y_bar_Y_Rs_Rc_lrs_lrc()的内容及输入输出的解释放在了补充材料中。

下面我们举一个例子来说明Compute_Y_bar_Y_Rs_Rc_lrs_lrc()的用法。

例5 ( [18] 中例5.6)某县有300个村，小麦播种面积为23434亩，全部村子按地势分为平原、丘陵和山区三种类型，各按10%的比例抽样来调查亩产量，得到表2中所示数据。其中 ${\bar{y}}_h$ 为今年平均亩产， ${\bar{x}}_h$ 、 ${\bar{X}}_h$ 是去年平均亩产， ${\bar{y}}_h$ 、 ${\bar{x}}_h$ 是样本数据， ${\bar{X}}_h$ 是总体数据。现通过各种分层估计量来对今年全县的平均亩产进行估计。

表2. 小麦产量调查数据

解：从上表我们可以看到，小麦产量的相邻两年数据呈较高正相关性，因而在估计小麦的今年亩产时，辅助变量选择去年的小麦产量具有一定的合理性。此处抽样比为： $f_1=f_2=f_3=0.1$。

现对分别比率估计、联合比率估计、分别回归估计、联合回归估计的理论公式做出如下阐述。由于本例只涉及计算总体均值的分层估计量，因此结果部分仅显示总体均值的分层估计量及相应方差、标准误差和区间估计。

首先令

$g_h=\frac{W_h^2\left(1-f_h\right)}{n_h},\left(g_1,g_2,g_3\right)=\left(0.00980100,0.01360286,0.00661500\right)$

可以计算得到如下结果。

1) 分别比率估计：

${\hat{R}}_h=\frac{{\bar{y}}_h}{{\bar{x}}_h},\left({\hat{R}}_1,{\hat{R}}_2,{\hat{R}}_3\right)=\left(1.039216,1.018307,1.058394\right)$

${\bar{y}}_{Rs}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h{\bar{y}}_{R_h}}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h{\hat{R}}_h{\bar{X}}_h}=460.6606$

$v\left({\bar{y}}_{Rs}\right)={\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h\left(s_{y_h}^2+{\hat{R}}_h^2{s}_{x_h}^2-2{\hat{R}}_h{s}_{y{x}_h}\right)}=0.663121$

$se\left({\bar{y}}_{Rs}\right)=\sqrt{v\left({\bar{y}}_{Rs}\right)}=0.8143224$

$L_{{\bar{Y}}_{Rs}}={\bar{y}}_{Rs}-t\cdot se\left({\bar{y}}_{Rs}\right)=459.0646,U_{{\bar{Y}}_{Rs}}={\bar{y}}_{Rs}+t\cdot se\left({\bar{y}}_{Rs}\right)=462.2567$

2) 联合比率估计：

${\bar{y}}_{st}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h}{\bar{y}}_h=\text{457}\text{.99},{\bar{x}}_{st}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h}{\bar{x}}_h=\text{443}\text{.69}$

${\hat{R}}_c=\frac{{\bar{y}}_{st}}{{\bar{x}}_{st}}=1.03223,\bar{X}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h}{\bar{X}}_h=446.29$

${\bar{y}}_{Rc}={\hat{R}}_c\bar{X}=\frac{{\bar{y}}_{st}}{{\bar{x}}_{st}}\bar{X}=460.6738$

$v\left({\bar{y}}_{Rc}\right)={\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h\left(s_{y_h}^2+{\hat{R}}_c^2{s}_{x_h}^2-2{\hat{R}}_c{s}_{y{x}_h}\right)}=0.6748678$

$se\left({\bar{y}}_{Rc}\right)=\sqrt{v\left({\bar{y}}_{Rc}\right)}=0.8215034$

$L_{{\bar{Y}}_{Rc}}={\bar{y}}_{Rc}-t\cdot se\left({\bar{y}}_{Rc}\right)=459.0637,U_{{\bar{Y}}_{Rc}}={\bar{y}}_{Rc}+t\cdot se\left({\bar{y}}_{Rc}\right)=462.2839$

3) 分别回归估计：

$b_h=\frac{s_{y{x}_h}}{s_{x_h}^2},\left(b_1,b_2,b_3\right)=\left(1.093147,1.005679,1.023256\right)$

${\bar{y}}_{lrs}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h}{\bar{y}}_{l{r}_h}={\displaystyle \underset{h=1}{\overset{L}{\sum }}{W}_h}\left[{\bar{y}}_h+b_h\left({\bar{X}}_h-{\bar{x}}_h\right)\right]=460.7957$

$v\left({\bar{y}}_{lrs}\right)={\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h\left(s_{y_h}^2-\frac{s_{y{x}_h}^2}{s_{x_h}^2}\right)}=0.6006202$

$se\left({\bar{y}}_{lrs}\right)=\sqrt{v\left({\bar{y}}_{lrs}\right)}=0.7749969$

$L_{{\bar{Y}}_{lrs}}={\bar{y}}_{lrs}-t\cdot se\left({\bar{y}}_{lrs}\right)=459.2768,U_{{\bar{Y}}_{lrs}}={\bar{y}}_{lrs}+t\cdot se\left({\bar{y}}_{lrs}\right)=462.3147$

4) 联合回归估计：

$b_c=\frac{{\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h{s}_{y{x}_h}}}{{\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h{s}_{x_h}^2}}=\text{1}\text{.033825}$

${\bar{y}}_{lrc}={\bar{y}}_{st}+b_c\left(\bar{X}-{\bar{x}}_{st}\right)=460.6779$

$v\left({\bar{y}}_{lrc}\right)={\displaystyle \underset{h=1}{\overset{L}{\sum }}{g}_h\left(s_{y_h}^2+b_c^2{s}_{x_h}^2-2b_c{s}_{y{x}_h}\right)}=0.6747315$

$se\left({\bar{y}}_{lrc}\right)=\sqrt{v\left({\bar{y}}_{lrc}\right)}=0.8214204$

$L_{{\bar{Y}}_{lrc}}={\bar{y}}_{lrc}-t\cdot se\left({\bar{y}}_{lrc}\right)=459.068,U_{{\bar{Y}}_{lrc}}={\bar{y}}_{lrc}+t\cdot se\left({\bar{y}}_{lrc}\right)=462.2879$

代入数据计算可得：

> N_h = c(99, 138, 63); N = sum(N_h);

> W_h = c(0.33, 0.46, 0.21)

> n_h = c(10, 14, 6)

> f_h = c(0.1, 0.1, 0.1)

> y_bar_h = c(583, 445, 290)

> x_bar_h = c(561, 437, 274) ## 437

> X_bar_h = c(568, 439, 271)

> s2_y_h = c(1809, 1990, 1989)

> s2_x_h = c(1503, 1937, 1892) ## 1937

> s_yx_h = c(1643, 1948, 1936)

> alpha = 0.05

> res_Y_bar_Y = Compute_Y_bar_Y_Rs_Rc_lrs_lrc(W_h, n_h, f_h, y_bar_h, x_bar_h, X_bar_h, s2_y_h, s2_x_h, s_yx_h, N, alpha); res_Y_bar_Y

$t

[1] 1.959964

$g_h

[1] 0.00980100 0.01360286 0.00661500

$Rs

$Rs$R_hat_h

[1] 1.039216 1.018307 1.058394

$Rs$df_Y_bar_Rs

y_bar_Rs v_y_bar_Rs se_y_bar_Rs L_Y_bar_Rs U_Y_bar_Rs

1 460.6606 0.663121 0.8143224 459.0646 462.2567

$Rs$df_Y_Rs

Y_hat_Rs v_Y_hat_Rs se_Y_hat_Rs L_Y_Rs U_Y_Rs

1 138198.2 59680.89 244.2967 137719.4 138677

$Rc

$Rc$df_0_Rc

y_bar_st x_bar_stRc_hatX_bar

1 457.99 443.69 1.03223 446.29

$Rc$df_Y_bar_Rc

y_bar_Rc v_y_bar_Rc se_y_bar_Rc L_Y_bar_Rc U_Y_bar_Rc

1 460.67380.6748678 0.8215034 459.0637 462.2839

$Rc$df_Y_Rc

Y_hat_Rc v_Y_hat_Rc se_Y_hat_Rc L_Y_Rc U_Y_Rc

1 138202.1 60738.1 246.451 137719.1 138685.2

$lrs

$lrs$b_h

[1] 1.093147 1.005679 1.023256

$lrs$y_bar_lr_h

[1] 590.6520 447.0114 286.9302

$lrs$df_Y_bar_lrs

y_bar_lrs v_y_bar_lrs se_y_bar_lrs L_Y_bar_lrs U_Y_bar_lrs

1460.7957 0.6006202 0.7749969 459.2768 462.3147

$lrs$df_Y_lrs

Y_hat_lrs v_Y_hat_lrs se_Y_hat_lrs L_Y_lrsU_Y_lrs

1138238.7 54055.82 232.4991137783 138694.4

$lrc

$lrc$df_0_lrc

y_bar_st x_bar_st bcX_bar

1 457.99 443.69 1.033825 446.29

$lrc$df_Y_bar_lrc

y_bar_lrc v_y_bar_lrc se_y_bar_lrc L_Y_bar_lrc U_Y_bar_lrc

1460.6779 0.6747315 0.8214204 459.068 462.2879

$lrc$df_Y_lrc

Y_hat_lrc v_Y_hat_lrc se_Y_hat_lrcL_Y_lrcU_Y_lrc

1138203.4 60725.83 246.4261 137720.4 138686.4

从上述程序实现结果我们可以得到分层抽样下总体均值及总体总值的各分层估计量及其方差、标准误差和置信区间的信息。对于本题感兴趣的总体均值信息而言，在进行分别比率估计的情况下，全县平均亩产为 ${\bar{y}}_{Rs}=460.6606$ 斤，估计标准误差为 $se\left({\bar{y}}_{Rs}\right)=0.8143224$ 斤；在进行联合比率估计的情况下，全县平均亩产为 ${\bar{y}}_{Rc}=460.6738$ 斤，估计标准误差为 $se\left({\bar{y}}_{Rc}\right)=0.8215034$ 斤；在进行分别回归估计的情况下，全县平均亩产为 ${\bar{y}}_{lrs}=460.7957$ 斤，估计标准误差为 $se\left({\bar{y}}_{lrs}\right)=0.7749969$ 斤；在进行联合回归估计的情况下，全县平均亩产为 ${\bar{y}}_{lrc}=460.6779$ 斤，估计标准误差为 $se\left({\bar{y}}_{lrc}\right)=0.8214204$ 斤。

四种分层估计方法的总体均值的估计值和标准误差的估计值见表3。从表中我们容易得到以下结论：对于比率估计和回归估计而言，总有分别估计量的估计精度优于联合估计量；对于分别估计和联合估计而言，总有回归估计量的估计精度优于比率估计量。

表3. 四种分层估计方法的总体均值的估计值和标准误差的估计值

3. 总结

本文对抽样技术中的比率估计及回归估计给出了自编的五个非常实用的R函数(程序)：Compute_R_ratio() (用于计算总体比率R的点估计和区间估计)、Compute_Y_bar_Y_MR() (用于计算一元及二元辅助变量下总体均值 $\bar{Y}$ 与总体总值Y的比率点估计和区间估计)、Compute_Y_bar_Y_ratio() (用于计算总体均值 $\bar{Y}$ 及总体总值Y的比率点估计和区间估计)、Compute_Y_bar_Y_lr() (用于计算总体均值 $\bar{Y}$ 及总体总值Y的回归点估计和区间估计)及Compute_Y_bar_Y_Rs_Rc_lrs_lrc() (用于计算总体均值 $\bar{Y}$ 及总体总值Y的分层比率和分层回归点估计和区间估计)。这五个R函数(程序)很好地解决了在仅给定基本的样本数据时如何得出总体均值 $\bar{Y}$ 与总体总值Y的各类估计量及其标准误差和置信区间的问题，为需要使用比率估计及回归估计抽样技术进行实际问题分析的使用者提供了方便。

基金项目

本研究受教育部人文社会科学研究西部和边疆地区项目(20XJC910001)，国家社科基金西部项目(21XTJ001)和国家自然科学基金面上项目(72071019)支持。

文章引用

刘诗洋,张应应. 比率估计与回归估计抽样技术中五个非常实用的R函数
Five Very Practical R Functions in Ratio Estimation and Regression Estimation Sampling Techniques[J]. 统计学与应用, 2022, 11(02): 248-261. https://doi.org/10.12677/SA.2022.112026

参考文献