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。
设计与原理
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。
基本的分层抽样设计包括四个步骤:
- 确定目标总体,并建立能够识别总体各单位的抽样框。
- 将每个单位归入一个层。
- 为每一层分配样本量。
- 按照指定的概率抽样方法,在各层中相互独立地抽取单位。
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。
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。
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。
估计与抽样权重
假设一个有限总体包含 个单位,划分为 个层。令:
- 为第 层的总体规模;
- 为该层的样本量;
- 为该层占总体的比例;
- 为该层的抽样比;
- 为该层的样本均值。
总样本量为 。在各层内采用简单随机抽样时,总体均值的一个估计量为
总体总量的一个估计量为
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。
在第 层内,每个单位的入样概率为
因此,其基础抽样权重为
每个入样单位代表 个总体单位。由于这些权重之和为 ,加权样本均值等于 。
相比之下,不加权的样本均值按各层在样本中所占的比例 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。
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。
方差与不确定性
设第 层内的有限总体方差为
其中, 是该层的总体均值。
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
因子 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 的层,其抽样方差贡献为零。
用样本方差 替代 ,即可得到无偏的方差估计量:
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
其中, 是标准正态分布的分位数。
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。
样本分配
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。
比例分配
比例分配规定
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。
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。
等额分配
等额分配为每一层分配约 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。
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。
奈曼分配
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
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。
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 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。
成本不等时的分配
如果第 层每个入样单位的调查成本为 ,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:
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。
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。
数值示例
考虑一个由 10,000 家企业组成的总体:
| 层 | 总体规模 | 样本量 | 样本平均营业收入 |
|---|---|---|---|
| 小型企业 | 9,000 | 100 | 100,000 货币单位 |
| 大型企业 | 1,000 | 100 | 1,000,000 货币单位 |
总体平均营业收入的估计值为
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。
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
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。
层的选择与效率评估
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。
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。
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。
一种常用的效率指标是设计效应:
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。
相关方法
整群抽样
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。
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。
事后分层
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。
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。
配额抽样
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。
分层随机化
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。
应用与局限
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。
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。
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。