{
  "id": "stratified-sampling",
  "title": "分层抽样",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "分层抽样将总体划分为互不重叠的层，并在各层内分别抽样，以提高估计精度、确保子群体覆盖或满足操作需求。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "分层随机抽样",
    "类型抽样"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/stratified-sampling/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/stratified-sampling/",
      "json": "https://aiwiki.page/en/stratified-sampling.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "分层抽样是一种随机抽样方法：将总体划分为互不重叠、合起来覆盖整个总体的若干组，称为层，然后在各层内分别抽取样本。在统计学中，分层抽样用于提高总体估计的精度、获取有关特定子群体的充分信息，或组织数据收集。估计总体参数时，需要使用反映抽样设计的权重来合并各层结果；当各层的抽样比不同时，通常不宜采用不加权分析。"
    },
    {
      "heading": "设计与原理",
      "text": "分层是对总体的一种集合划分：每个总体单位恰好属于一个层。可以根据地理区域、企业规模、年龄组、土地覆盖类型，或抽样前已知的多种特征的组合来划分层。\n\n基本的分层抽样设计包括四个步骤：\n\n- 确定目标总体，并建立能够识别总体各单位的抽样框。\n- 将每个单位归入一个层。\n- 为每一层分配样本量。\n- 按照指定的概率抽样方法，在各层中相互独立地抽取单位。\n\n最常见的基础设计是在每一层内采用不放回简单随机抽样。更复杂的设计可以在层内采用不等概率抽样或多阶段抽样。\n\n分层抽样在精度上的主要优势，出现在各层内部单位的待测量值较为相近、而各层均值存在差异的情况下。分别抽样可以固定从每个组中抽取的观测数量，从而减少样本构成偶然失衡所造成的变异。\n\n分层的目的也不一定是提高总体估计的精度。对于规模较小的总体子群体，可能需要采用较高的抽样比，才能获得有实际用途的子群体估计。各行政区域可能需要单独的结果，不同层也可能需要采用不同的数据收集方法。"
    },
    {
      "heading": "估计与抽样权重",
      "text": "假设一个有限总体包含 \\(N\\) 个单位，划分为 \\(H\\) 个层。令：\n\n- \\(N_h\\) 为第 \\(h\\) 层的总体规模；\n- \\(n_h\\) 为该层的样本量；\n- \\(W_h=N_h/N\\) 为该层占总体的比例；\n- \\(f_h=n_h/N_h\\) 为该层的抽样比；\n- \\(\\bar y_h\\) 为该层的样本均值。\n\n总样本量为 \\(n=\\sum_{h=1}^{H}n_h\\)。在各层内采用简单随机抽样时，总体均值的一个估计量为\n\n\\[\\hat{\\bar Y}_{\\mathrm{st}} =\\sum_{h=1}^{H}W_h\\bar y_h.\\]\n\n总体总量的一个估计量为\n\n\\[\\hat T_{\\mathrm{st}} =\\sum_{h=1}^{H}N_h\\bar y_h =N\\hat{\\bar Y}_{\\mathrm{st}}.\\]\n\n在上述抽样设计下，这些估计量都是无偏的：在重复抽样中，它们的期望值等于相应的总体参数。\n\n在第 \\(h\\) 层内，每个单位的入样概率为\n\n\\[\\pi_{hi}=\\frac{n_h}{N_h},\\]\n\n因此，其基础抽样权重为\n\n\\[d_{hi}=\\frac{1}{\\pi_{hi}}=\\frac{N_h}{n_h}.\\]\n\n每个入样单位代表 \\(N_h/n_h\\) 个总体单位。由于这些权重之和为 \\(N\\)，加权样本均值等于 \\(\\hat{\\bar Y}_{\\mathrm{st}}\\)。\n\n相比之下，不加权的样本均值按各层在样本中所占的比例 \\(n_h/n\\) 对各层加权。当这些比例等于各层在总体中所占的比例时，例如采用精确的比例分配时，它与分层估计量一致。否则，它通常估计的是采用另一组权重定义的量。\n\n对于总体比例，也可以使用同样的公式，只需用示性函数对每个观测进行编码：具有所考察特征时取值为 1，否则取值为 0。"
    },
    {
      "heading": "方差与不确定性",
      "text": "设第 \\(h\\) 层内的有限总体方差为\n\n\\[S_h^2 =\\frac{1}{N_h-1} \\sum_{i=1}^{N_h}(Y_{hi}-\\bar Y_h)^2,\\]\n\n其中，\\(\\bar Y_h\\) 是该层的总体均值。\n\n如果各层的样本相互独立地抽取，则分层均值估计量的方差为\n\n\\[\\operatorname{Var}(\\hat{\\bar Y}_{\\mathrm{st}}) = \\sum_{h=1}^{H} W_h^2(1-f_h)\\frac{S_h^2}{n_h}.\\]\n\n因子 \\(1-f_h\\) 是有限总体修正因子，用于反映不放回抽样的影响。当某一层中有相当大比例的单位被观测时，这一修正就十分重要。对于全部单位均被调查的层，即 \\(n_h=N_h\\) 的层，其抽样方差贡献为零。\n\n用样本方差 \\(s_h^2\\) 替代 \\(S_h^2\\)，即可得到无偏的方差估计量：\n\n\\[\\widehat{\\operatorname{Var}}(\\hat{\\bar Y}_{\\mathrm{st}}) = \\sum_{h=1}^{H} W_h^2(1-f_h)\\frac{s_h^2}{n_h}.\\]\n\n其平方根就是估计的标准误。在适当的大样本条件下，近似置信区间为\n\n\\[\\hat{\\bar Y}_{\\mathrm{st}} \\pm z_{1-\\alpha/2} \\sqrt{\\widehat{\\operatorname{Var}}(\\hat{\\bar Y}_{\\mathrm{st}})},\\]\n\n其中，\\(z_{1-\\alpha/2}\\) 是标准正态分布的分位数。\n\n对于小样本、分布高度偏斜的测量结果，或复杂的层内抽样设计，可能需要采用其他近似方法。如果一个非全查层中只有一个入样单位，就无法直接估计层内样本方差，因此需要额外假设或专门的方差估计方法。"
    },
    {
      "heading": "样本分配",
      "text": "样本分配决定总样本如何分布于各层。不同的分配方式服务于不同的目标。\n\n比例分配\n\n比例分配规定\n\n\\[n_h=n\\frac{N_h}{N}=nW_h.\\]\n\n忽略整数舍入的影响时，所有层的抽样比相同，所有入样单位的基础权重也相同。这样的设计称为自加权设计。\n\n这种分配方式使样本保持总体中各层的比例，但对于规模较小的子群体，可能只能获得过少的观测。\n\n等额分配\n\n等额分配为每一层分配约 \\(n/H\\) 个观测。它有助于进行层间比较，但相对于各层在总体中所占的比例而言，会对小层过度抽样，对大层抽样不足。\n\n对于总体均值估计，等额分配通常并非最优方式。它是否有用，取决于对子群体估计的重视程度。\n\n奈曼分配\n\n在总样本量固定、每个单位的调查成本相同且层内采用简单随机抽样的条件下，使总体均值估计方差最小的分配方式为\n\n\\[n_h = n\\frac{N_hS_h}{\\sum_{k=1}^{H}N_kS_k}.\\]\n\n这称为奈曼分配，以耶日·奈曼的名字命名。他在 1934 年的研究推动了基于抽样设计的分层抽样理论的建立。\n\n这一规则为规模较大或层内标准差较大的层分配更多观测。由于 \\(S_h\\) 的值通常事先未知，规划时可以利用预调查、以往调查或相关辅助信息。\n\n成本不等时的分配\n\n如果第 \\(h\\) 层每个入样单位的调查成本为 \\(c_h\\)，则在变动成本预算固定的条件下，使方差最小的分配具有以下形式：\n\n\\[n_h\\propto\\frac{N_hS_h}{\\sqrt{c_h}}.\\]\n\n其他条件相同时，与奈曼分配相比，成本较高的层会分配到更少的观测。\n\n这些公式给出的是连续取值条件下的最优解。实际分配要求样本量为整数、不能超过各层的总体规模，而且可能需要为子群体报告设置最低样本量。当存在多个重要的测量指标或多项精度约束时，样本分配就成为一个数学优化问题，而不能依靠某一条普遍适用的规则。"
    },
    {
      "heading": "数值示例",
      "text": "考虑一个由 10,000 家企业组成的总体：\n\n层 | 总体规模 | 样本量 | 样本平均营业收入\n小型企业 | 9,000 | 100 | 100,000 货币单位\n大型企业 | 1,000 | 100 | 1,000,000 货币单位\n\n总体平均营业收入的估计值为\n\n\\[\\hat{\\bar Y}_{\\mathrm{st}} = 0.9(100{,}000)+0.1(1{,}000{,}000) = 190{,}000.\\]\n\n不加权的样本均值则为 550,000，因为两个层提供的观测数量相同。这一计算赋予大型企业一半的权重，但它们实际上只占总体的十分之一。\n\n每家入样小型企业的基础权重为 90，每家入样大型企业的基础权重为 10。营业收入总量的估计值为\n\n\\[\\hat T_{\\mathrm{st}} = 10{,}000(190{,}000) = 1.9\\text{ billion currency units}.\\]\n\n仅凭样本均值无法确定这一估计的精度，还需要知道层内方差。"
    },
    {
      "heading": "层的选择与效率评估",
      "text": "有效的分层变量必须在抽样前就能从抽样框中获得，并且能为重要的调查指标提供有用信息。某个变量可能与一个指标高度相关，却与另一个指标关联很弱，因此，适合估计收入的分层方式，未必同样适合估计出行行为。\n\n各层不必规模相同，也不必对应具有社会意义的群体。企业雇员人数、农场面积等连续变量可以按区间划分。规模特别大或影响特别显著的单位可以组成一个必选层，该层中的每个单位都入样。\n\n精度的提高既取决于分层界限，也取决于样本分配。在比例分配下，分层减少了层间差异对抽样变异的贡献；当抽样比可以忽略且各层均值存在差异时，分层会带来明显的方差优势。不过，低效的非比例分配可能导致方差大于总样本量相同的简单随机抽样。\n\n一种常用的效率指标是设计效应：\n\n\\[\\operatorname{DEFF} = \\frac{\\operatorname{Var}(\\hat\\theta_{\\mathrm{design}})} {\\operatorname{Var}(\\hat\\theta_{\\mathrm{SRS}})},\\]\n\n其中，分母对应于恰当的简单随机抽样基准。数值小于 1，表示在该估计量及该比较条件下，所用设计的抽样方差更小。"
    },
    {
      "heading": "相关方法",
      "text": "整群抽样\n\n在整群抽样中，抽取的是由多个单位组成的群，然后从入选群内的全部或部分单位收集观测。相比之下，常规分层设计会从每一层中抽取样本。\n\n分层通常力求形成内部较为同质的组，以提高精度。整群抽样则通常利用自然形成的群体，例如学校或街区，以降低数据收集成本。两种方法可以结合使用：例如，在各个地理层内分别抽取群。\n\n事后分层\n\n事后分层在抽样后调整权重，使指定群体的加权计数与已知总体总数一致。与设计阶段的分层不同，它不在抽样前固定各子群体的样本量，也无法确保每个子群体都出现在样本中。\n\n两种方法都利用总体辅助信息，但它们的抽样性质和方差计算方式不同。\n\n配额抽样\n\n配额抽样也可以为各子群体设定目标样本数，但组内选择不一定是随机的。仅仅满足子群体配额，并不能使入样概率成为已知，也不足以支持使用分层随机抽样中基于设计的公式。\n\n分层随机化\n\n在实验设计中，可以在各层内分别随机分配处理，以使各处理组在选定特征上保持均衡。这涉及的是处理分配，而不是从总体中抽取样本。分层抽样和分层随机化可以出现在同一项研究中，但它们针对的是不同的变异来源。"
    },
    {
      "heading": "应用与局限",
      "text": "分层抽样广泛应用于住户调查、企业统计、农业调查、环境监测和质量评估。它既支持总体估计，也支持各报告域的估计。在蒙特卡洛方法中，一种类似的技术将模拟域划分为若干部分，并在各部分内抽样，以降低数值估计的方差。\n\n其在实践中的主要局限，是需要充分的抽样框信息。单位遗漏、分类过时或分层归属错误，都可能损害覆盖完整性和效率。划分过多的层还可能增加管理复杂性，并使个别层的观测过少，难以稳定地估计方差。\n\n分层本身并不能消除测量误差、无应答，或偏离预定设计所造成的选择偏差。可能还需要进行无应答权重调整和校准，而且不确定性的计算必须反映实际的抽样与调整程序。即使点估计使用了合适的权重，将复杂的分层样本视为普通的独立同分布样本，仍可能得出错误的标准误。"
    }
  ],
  "links": [
    "random-sampling",
    "statistics",
    "set-partition",
    "sample-size",
    "estimator",
    "estimator-bias",
    "expected-value",
    "sample-mean",
    "indicator-function",
    "variance",
    "standard-error",
    "confidence-interval",
    "normal-distribution",
    "standard-deviation",
    "mathematical-optimization",
    "experimental-design",
    "monte-carlo-method",
    "selection-bias"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}