如果你也在 怎样代写抽样调查Survey sampling 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。抽样调查Survey sampling可大致分为两种类型：概率样本和超级样本。基于概率的样本执行一个具有指定概率的抽样计划（也许是由一个适应性程序指定的适应性概率）。基于概率的抽样允许对目标人群进行基于设计的推断。推论是基于研究方案中指定的已知客观概率分布。基于概率的调查的推论仍然可能受到许多类型的偏见的影响。

抽样调查Survey sampling在统计学中，描述了从目标人群中选择一个元素样本进行调查的过程。术语 “调查 “可以指许多不同类型或技术的观察。在调查取样中，它最常涉及的是用于测量人们的特征和/或态度的调查问卷。一旦样本成员被选中，与他们联系的不同方式就是调查数据收集的主题。抽样调查的目的是为了减少调查整个目标人群所需的成本和/或工作量。衡量整个目标人口的调查被称为普查。样本指的是要从中获取信息的一个群体或部分。

statistics-lab™ 为您的留学生涯保驾护航 在代写抽样调查sampling theory of survey方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写抽样调查sampling theory of survey方面经验极为丰富，各种代写抽样调查sampling theory of survey相关的作业也就用不着说。

统计代写|抽样调查作业代写sampling theory of survey代考|BREWER’S ASYMPTOTIC APPROACH

Looking for properties of a strategy as population and sample sizes increase presumes some relation between $p_1, p_2, \ldots$ on one hand and between $t_1, t_2, \ldots$ on the other hand.

In this and the next section relations on the design and estimator sequence, respectively, are introduced.

Consistency of an estimator $t_T$ is easy to decide on if Assumption $\mathbf{A}$ is true and $p_T$ satisfies a special condition considered by BREWER (1979):

Assumption B: Using Assumption $\boldsymbol{A}$ and starting with an arbitrary design $p_1$ of fixed size $n_1$ for $\mathcal{U}(1)$, then $p_T$ is as follows: Apply $p_1$ not only to $\mathcal{U}(1)$ but also, independently, to $\mathcal{U}(2)$, $\ldots, \mathcal{U}(T)$ and amalgamate the corresponding samples
$$
s(1), s(2), \ldots, s(T)
$$

to form
$$
s_T=s(1) \cup s(2) \cup \cdots \cup s(T) .
$$
A design satisfying Assumption $\mathbf{B}$ to give the selection probability for $s_T$ is appreciably limited in scope and application.

Some authors have considered such restrictive designs, notably HANSEN, MADOW and TEPPING (1983). However, interesting results have been derived under less restrictive assumptions as well as by alternative approaches.

We mention ISAKI and FULLER (1982) proving the consistency of the HT estimator under rather general conditions on $p_T$. In fact, they even drop Assumption $\mathbf{A}$, a condition that seems quite rational to us.

BREWER’s approach should be adequate where it is advisable to partition a large population $\mathcal{U}_T$ into subsets of similar size and structure and to use these subsets as strata in the selection procedure. This is acceptable only if there is no loss in efficiency. But it is doubtful that this may always be the case.
We plan to enlarge BREWER’s class of designs and obtain a class containing the designs in common use and with the same technical amenities as BREWER’s class.

统计代写|抽样调查作业代写sampling theory of survey代考|MOMENT-TYPE ESTIMATORS

To establish meaningful results of asymptotic unbiasedness and consistency, the estimators $t_1, t_2, \ldots$ of a sequence to be considered must be somehow related to each other. Subsequently, a relation is assumed that is based on the concept of a moment estimator we define as follows: Let $A_i, B_i, C_i, \ldots$ be values associated with $i \in U$. Then, for $s \subset U$ with $n(s)=n$
$$
\frac{1}{n} \sum_s A_i, \quad \frac{1}{n} \sum_s A_i B_i, \quad \frac{1}{n} \sum_s A_i B_i C_i
$$
are sample moments. Examples are
$$
\frac{1}{n} \sum_s \frac{Y_i}{\pi_i}, \quad \frac{1}{n} \sum_s X_{i 1} Y_i, \quad \frac{1}{n} \sum_s \frac{X_{i 1} X_{i 2}}{\pi_i}
$$
where $Y_i, X_{i 1}, X_{i 2}$ are values of variables $y, x_1, x_2$, respectively, and $\pi_i$ inclusion probabilities defined by a design for $i \in U$.
$$
\frac{1}{N} \sum_1^N A_i, \quad \frac{1}{N} \sum_1^N A_i B_i, \quad \frac{1}{N} \sum_1^N A_i B_i C_i
$$
are population moments corresponding to the sampling moments Eq. (5.7).

A moment estimator $t$ is an estimator that may be written as a function of sample moments $m^{(1)}, m^{(2)}, \ldots, m^{(v)}$ :
$$
t=f\left(m^{(1)}, m^{(2)}, \ldots, m^{(\nu)}\right) .
$$

Obvious examples of moment estimators are the sample mean, the HT-estimator, the $\mathrm{HH}$-estimator, and the ratio estimator.
Now, let $t_1$ be a moment estimator, that is,
$$
t_1=f\left(m_1^{(1)}, \ldots, m_1^{(\nu)}\right)
$$
where $m_1^{(1)}, \ldots, m_1^{(v)}$ are sample moments for $s_1$.
Then, $t_T$ may be defined in a natural way:
$$
t_T=f\left(m_T^{(1)}, m_T^{(2)}, \ldots, m_T^{(\nu)}\right)
$$
where $m_T^{(j)}$ is the sample moment for $s_T$ corresponding to $m_1^{(j)}$, $j=1,2, \ldots, v$. As an example, we mention the ratio estimator
$$
t_1=\frac{\sum_{s_1} Y_i}{\sum_{s_1} X_i} \bar{X}
$$
for which
$$
t_T=\frac{\sum_{s_T} Y_i}{\sum_{s_T} X_i} \bar{X}
$$

抽样调查代考

统计代写|抽样调查作业代写sampling theory of survey代考|BREWER’S ASYMPTOTIC APPROACH

当总体和样本量增加时，寻找策略的属性时，假设$p_1, p_2, \ldots$和$t_1, t_2, \ldots$之间存在某种关系。

在这一节和下一节中，分别介绍了设计和估计序列的关系。

假设$\mathbf{A}$为真且$p_T$满足BREWER(1979)考虑的一个特殊条件时，估计量$t_T$的一致性很容易确定:

假设B:使用假设 $\boldsymbol{A}$ 从一个任意的设计开始 $p_1$ 大小固定 $n_1$ 为了 $\mathcal{U}(1)$那么， $p_T$ 如下:Apply $p_1$ 不仅是 $\mathcal{U}(1)$ 但是，独立地说， $\mathcal{U}(2)$， $\ldots, \mathcal{U}(T)$ 并合并相应的样品
$$
s(1), s(2), \ldots, s(T)
$$

形成
$$
s_T=s(1) \cup s(2) \cup \cdots \cup s(T) .
$$
满足假设$\mathbf{B}$给出$s_T$的选择概率的设计在范围和应用上明显受到限制。

一些作者考虑过这种限制性设计，特别是HANSEN, MADOW和TEPPING(1983)。然而，在限制性较低的假设和其他方法下也得出了有趣的结果。

我们提到ISAKI和FULLER(1982)在$p_T$上证明了在相当一般的条件下HT估计量的一致性。事实上，他们甚至放弃了假设$\mathbf{A}$，这在我们看来是相当合理的条件。

布鲁尔的方法应该是适当的，当它是明智的划分一个大的人口$\mathcal{U}_T$为类似的大小和结构的子集，并使用这些子集作为层在选择过程中。只有在没有效率损失的情况下，这才是可以接受的。但令人怀疑的是，情况可能总是如此。
我们计划扩大布鲁尔的设计类别，并获得一个包含常用设计的类别，并具有与布鲁尔类别相同的技术设施。

统计代写|抽样调查作业代写sampling theory of survey代考|MOMENT-TYPE ESTIMATORS

为了建立有意义的渐近无偏性和一致性结果，要考虑的序列的估计量$t_1, t_2, \ldots$必须以某种方式彼此相关。随后，假设一个基于矩估计器概念的关系，我们定义如下:设$A_i, B_i, C_i, \ldots$为与$i \in U$相关的值。然后，用$n(s)=n$表示$s \subset U$
$$
\frac{1}{n} \sum_s A_i, \quad \frac{1}{n} \sum_s A_i B_i, \quad \frac{1}{n} \sum_s A_i B_i C_i
$$
都是一些例子。例子如下
$$
\frac{1}{n} \sum_s \frac{Y_i}{\pi_i}, \quad \frac{1}{n} \sum_s X_{i 1} Y_i, \quad \frac{1}{n} \sum_s \frac{X_{i 1} X_{i 2}}{\pi_i}
$$
其中$Y_i, X_{i 1}, X_{i 2}$分别为变量$y, x_1, x_2$的值，$\pi_i$为$i \in U$的设计定义的包含概率。
$$
\frac{1}{N} \sum_1^N A_i, \quad \frac{1}{N} \sum_1^N A_i B_i, \quad \frac{1}{N} \sum_1^N A_i B_i C_i
$$
为总体矩，对应于抽样矩Eq.(5.7)。

一个矩估计器$t$是一个估计器，可以写成一个样本矩的函数$m^{(1)}, m^{(2)}, \ldots, m^{(v)}$:
$$
t=f\left(m^{(1)}, m^{(2)}, \ldots, m^{(\nu)}\right) .
$$

矩估计器的明显例子是样本均值，ht估计器，$\mathrm{HH}$估计器和比率估计器。
现在，设$t_1$是一个矩估计量，
$$
t_1=f\left(m_1^{(1)}, \ldots, m_1^{(\nu)}\right)
$$
其中$m_1^{(1)}, \ldots, m_1^{(v)}$是$s_1$的样例力矩。
那么，$t_T$可以用一种自然的方式定义:
$$
t_T=f\left(m_T^{(1)}, m_T^{(2)}, \ldots, m_T^{(\nu)}\right)
$$
其中$m_T^{(j)}$为$s_T$对应于$m_1^{(j)}$、$j=1,2, \ldots, v$的样本矩。作为一个例子，我们提到比率估计器
$$
t_1=\frac{\sum_{s_1} Y_i}{\sum_{s_1} X_i} \bar{X}
$$
为了什么?
$$
t_T=\frac{\sum_{s_T} Y_i}{\sum_{s_T} X_i} \bar{X}
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考

随机过程代考

在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。

贝叶斯方法代考

贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

机器学习代写

随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。

多元统计分析代考

基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

如果你也在 怎样代写抽样调查Survey sampling 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。抽样调查Survey sampling可大致分为两种类型：概率样本和超级样本。基于概率的样本执行一个具有指定概率的抽样计划（也许是由一个适应性程序指定的适应性概率）。基于概率的抽样允许对目标人群进行基于设计的推断。推论是基于研究方案中指定的已知客观概率分布。基于概率的调查的推论仍然可能受到许多类型的偏见的影响。

抽样调查Survey sampling在统计学中，描述了从目标人群中选择一个元素样本进行调查的过程。术语 “调查 “可以指许多不同类型或技术的观察。在调查取样中，它最常涉及的是用于测量人们的特征和/或态度的调查问卷。一旦样本成员被选中，与他们联系的不同方式就是调查数据收集的主题。抽样调查的目的是为了减少调查整个目标人群所需的成本和/或工作量。衡量整个目标人口的调查被称为普查。样本指的是要从中获取信息的一个群体或部分。

statistics-lab™ 为您的留学生涯保驾护航 在代写抽样调查sampling theory of survey方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写抽样调查sampling theory of survey方面经验极为丰富，各种代写抽样调查sampling theory of survey相关的作业也就用不着说。

统计代写|抽样调查作业代写sampling theory of survey代考|Balancing for Polynomial Models

We return to the model $\mathcal{M}{10}^{\prime}$ of 4.1.2 and consider an extension $\mathcal{M}_k$ defined as follows: $$ \begin{aligned} Y_i & =\sum{j=0}^k \beta_j X_i^j+\varepsilon_i \
E_m\left(\varepsilon_i\right) & =0, V_m\left(\varepsilon_i\right)=\sigma^2, C_m\left(\varepsilon_i, \varepsilon_j\right)=0, \text { for } i \neq j
\end{aligned}
$$
where $i, j=1,2, \ldots, N$. By generalizing the developments of section 4.1.2, we derive.

RESULT 4.2 Let $\mathcal{M}_k$ be given. Then, the MSE of the BLU predictor $t_o$ for $Y$ is minimum for a sample $s$ of size $n$ if
$$
\frac{1}{n} \sum_s X_i^j=\frac{1}{N} \sum_1^N X_i^j \text { for } j=0,1, \ldots, k .
$$
If these equalities hold we have
$$
t_o(s, Y)=N \bar{y}
$$
A sample satisfying the equalities in Result 4.2 is said to be balanced up to order $k$.

Now, assume the true model $\mathcal{M}{k^{\prime}}$ agrees with a statistician’s working model $\mathcal{M}_k$ in all respects except that $$ E_m\left(Y_i\right)=\sum_0^{k^{\prime}} \beta_j X_i^j $$ with $k^{\prime}>k$. The statistician will use $t_o$ instead of $t_o^{\prime}$, the BLU predictor for $Y$ on the base of $\mathcal{M}{k^{\prime}}$. However, if he selects a sample that is balanced up to order $k^{\prime}$
$$
t_o^{\prime}(s, Y)=t_o(s, Y)=N \bar{y}
$$
and his error does not cause losses.
It is, of course, too ambitious to realize exactly the balancing conditions even if $k^{\prime}$ is of moderate size, for example, $k^{\prime}=4$ or 5 . But if $n$ is large the considerations outlined in Result 4.1 apply again for SRSWOR or SRSWOR independently from within strata after internally homogeneous strata are priorly constructed.

统计代写|抽样调查作业代写sampling theory of survey代考|Linear Models in Matrix Notation

Suppose $x_1, x_2, \ldots, x_k$ are real variables, called auxiliary or explanatory variables, each closely related to the variable of interest $y$. Let
$$
xi=\left(X{i 1}, X_{i 2}, \ldots, X_{i k}\right)^{\prime}
$$
be the vector of explanatory variables for unit $i$ and assume the linear model
$$
Y_i=xi^{\prime} \beta+\varepsilon_i $$ for $i=1,2, \ldots, N$. Here $$ \beta=\left(\beta_1, \beta_2, \ldots, \beta_k\right)^{\prime} $$ is the vector of (unknown) regression parameters; $\varepsilon_1, \varepsilon_2, \ldots$, $\varepsilon_N$ are random variables satisfying $$ \begin{aligned} E_m \varepsilon_i & =0 \ V_m \varepsilon_i & =v{i i} \
C_m\left(\varepsilon_i, \varepsilon_j\right) & =v_{i j}, i \neq j
\end{aligned}
$$
where $E_m, V_m, C_m$ are operators for expectation, variance, and covariance with respect to the model distribution; and the ma$\operatorname{trix} V=\left(v_{i j}\right)$ is assumed to be known up to a constant $\sigma^2$.
To have a more compact notation define
$$
\begin{aligned}
Y & =\left(Y_1, Y_2, \ldots, Y_N\right)^{\prime} \
X & =\left(x1, x_2, \ldots, x_N\right)^{\prime}=\left(X{i j}\right) \
\varepsilon & =\left(\varepsilon_1, \varepsilon_2, \ldots, \varepsilon_N\right)^{\prime}
\end{aligned}
$$
and write the linear model as
$$
Y=X \beta+\varepsilon
$$
where
$$
\begin{aligned}
E_{m \varepsilon} & =0 \
V_m(\varepsilon) & =V
\end{aligned}
$$

抽样调查代考

统计代写|抽样调查作业代写sampling theory of survey代考|Balancing for Polynomial Models

我们回到4.1.2的模型$\mathcal{M}{10}^{\prime}$，并考虑如下定义的扩展$\mathcal{M}_k$: $$ \begin{aligned} Y_i & =\sum{j=0}^k \beta_j X_i^j+\varepsilon_i \
E_m\left(\varepsilon_i\right) & =0, V_m\left(\varepsilon_i\right)=\sigma^2, C_m\left(\varepsilon_i, \varepsilon_j\right)=0, \text { for } i \neq j
\end{aligned}
$$
在哪里$i, j=1,2, \ldots, N$。通过推广第4.1.2节的发展，我们得到。

4.2设$\mathcal{M}_k$。然后，对于大小为$n$ if的样本$s$，对于$Y$的BLU预测器$t_o$的MSE是最小的
$$
\frac{1}{n} \sum_s X_i^j=\frac{1}{N} \sum_1^N X_i^j \text { for } j=0,1, \ldots, k .
$$
如果这些等式成立，我们有
$$
t_o(s, Y)=N \bar{y}
$$
满足结果4.2中的等式的样本被称为平衡到$k$阶。

现在，假设真实模型$\mathcal{M}{k^{\prime}}$与统计学家的工作模型$\mathcal{M}_k$在除$$ E_m\left(Y_i\right)=\sum_0^{k^{\prime}} \beta_j X_i^j $$与$k^{\prime}>k$之外的所有方面都一致。统计学家将使用$t_o$代替$t_o^{\prime}$，这是基于$\mathcal{M}{k^{\prime}}$的$Y$的BLU预测器。但是，如果他选择的样品是平衡到订单$k^{\prime}$
$$
t_o^{\prime}(s, Y)=t_o(s, Y)=N \bar{y}
$$
他的错误不会造成损失。
当然，即使$k^{\prime}$是中等大小的，例如$k^{\prime}=4$或5，也很难精确地实现平衡条件。但是，如果$n$很大，则结果4.1中概述的考虑因素再次适用于SRSWOR或在内部均匀地层预先构建后独立于地层内部的SRSWOR。

统计代写|抽样调查作业代写sampling theory of survey代考|Linear Models in Matrix Notation

假设$x_1, x_2, \ldots, x_k$是实变量，称为辅助变量或解释变量，每个变量与感兴趣的变量密切相关$y$。让
$$
xi=\left(X{i 1}, X_{i 2}, \ldots, X_{i k}\right)^{\prime}
$$
为单位$i$的解释变量向量，假设为线性模型
$$
Y_i=xi^{\prime} \beta+\varepsilon_i $$代表$i=1,2, \ldots, N$。其中$$ \beta=\left(\beta_1, \beta_2, \ldots, \beta_k\right)^{\prime} $$为(未知)回归参数的向量;$\varepsilon_1, \varepsilon_2, \ldots$, $\varepsilon_N$是满足$$ \begin{aligned} E_m \varepsilon_i & =0 \ V_m \varepsilon_i & =v{i i} \
C_m\left(\varepsilon_i, \varepsilon_j\right) & =v_{i j}, i \neq j
\end{aligned}
$$的随机变量
其中$E_m, V_m, C_m$为相对于模型分布的期望、方差和协方差的算子;假设ma $\operatorname{trix} V=\left(v_{i j}\right)$是已知的，直到一个常数$\sigma^2$。
有一个更紧凑的符号定义
$$
\begin{aligned}
Y & =\left(Y_1, Y_2, \ldots, Y_N\right)^{\prime} \
X & =\left(x1, x2, \ldots, x_N\right)^{\prime}=\left(X{i j}\right) \ \varepsilon & =\left(\varepsilon_1, \varepsilon_2, \ldots, \varepsilon_N\right)^{\prime} \end{aligned} $$ 把线性模型写成 $$ Y=X \beta+\varepsilon $$ 在哪里 $$ \begin{aligned} E{m \varepsilon} & =0 \
V_m(\varepsilon) & =V
\end{aligned}
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考

随机过程代考

在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。

贝叶斯方法代考

贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

机器学习代写

随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。

多元统计分析代考

基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

如果你也在 怎样代写抽样调查sampling theory of survey这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。

抽样调查是一种非全面调查，根据随机的原则从总体中抽取部分实际数据进行调查，并运用概率估计方法，根据样本数据推算总体相应的数量指标的一种统计分析方法。

statistics-lab™ 为您的留学生涯保驾护航 在代写抽样调查sampling theory of survey方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写抽样调查sampling theory of survey方面经验极为丰富，各种代写抽样调查sampling theory of survey相关的作业也就用不着说。

我们提供的抽样调查sampling theory of survey及其相关学科的代写，服务范围广, 其中包括但不限于:

统计代写|抽样调查作业代写sampling theory of survey代考|Equicorrelation Model

Following CSW (1976, 1977), consider the model of equicorrelated $Y_i$ ‘s for which
$$
E_m\left(Y_i\right)=\alpha_i+\beta X_i
$$
$\alpha_i$ known with mean $\bar{\alpha}, \beta$ unknown, $0<X_i$ known with $\Sigma X_i=$ $N$
$$
\begin{aligned}
V_m\left(Y_i\right) & =\sigma^2 X_i^2 \
C_m\left(Y_i, Y_j\right) & =\rho \sigma^2 X_i X_j,-\frac{1}{N-1}<\rho<1 .
\end{aligned}
$$
Linear unbiased estimators (LUE) for $\bar{Y}$ are of the form
$$
t=t(s, Y)=a_s+\sum_{i \in s} b_{s i} Y_i
$$
with $a_s, b_{s i}$ free of $Y$ such that for a fixed design $p$
$$
E_p\left(a_s\right)=0, \sum_{s \ni i} b_{s i} p(s)=\frac{1}{N} \text { for } i=1, \ldots, N .
$$
To find an optimal strategy ( $p, t)$ let us proceed as follows. First note that writing $c_{s i}=b_{s i} X_i$,
$$
1=\frac{X}{N}=\frac{1}{N} \sum_1^N X_i=\sum_1^N \sum_{s \ni i} c_{s i} p(s)=\sum_s p(s)\left[\sum_{i \in s} c_{s i}\right] .
$$

统计代写|抽样调查作业代写sampling theory of survey代考|Applications to Survey Sampling

A further line of approach is now required because $\theta_0$ itself needs to be estimated from survey data
$$
d=\left(i, Y_i \mid i \in s\right)
$$
available only for the $Y_i$ ‘s with $i \in s, s$ a sample supposed to be selected with probability $p(s)$ according to a design $p$ for which we assume
$$
\pi_i=\sum_{s \ni i} p(s)>0 \text { for all } i=1,2, \ldots, N .
$$
With the setup of the preceding section, let the $Y_i$ ‘s be independent and consider unbiased estimating functions $\phi_i\left(Y_i, \theta\right) ; i=$ $1,2, \ldots, N$. Let
$$
\theta_0=\theta_0(Y)
$$
be the solution of $g(Y, \theta)=0$ where
$$
g(Y, \theta)=\sum_1^N \phi_i\left(Y_i, \theta\right)
$$
and consider estimating this $\theta_0$ using survey data $d=\left(i, Y_i \mid i \in\right.$ s). For this it seems natural to start with an unbiased sampling function
$$
h=h(s, Y, \theta)
$$
which is free of $Y_j$ for $j \notin s$ and satisfies
(a) $\frac{\partial h}{\partial \theta}(s, Y, \theta)$ exists for all $Y$
(b) $E_m \frac{\partial h}{\partial \theta}(s, Y, \theta) \neq 0$
(c) $E_p h(s, Y, \theta)=g(Y, \theta)$ for all $Y$, the unbiasedness condition.

抽样调查代考

统计代写|抽样调查作业代写sampling theory of survey代考|Equicorrelation Model

继CSW(1976,1977)之后，考虑equicorrelated $Y_i$的模型
$$
E_m\left(Y_i\right)=\alpha_i+\beta X_i
$$
$\alpha_i$已知，平均$\bar{\alpha}, \beta$未知，$0<X_i$已知，$\Sigma X_i=$$N$
$$
\begin{aligned}
V_m\left(Y_i\right) & =\sigma^2 X_i^2 \
C_m\left(Y_i, Y_j\right) & =\rho \sigma^2 X_i X_j,-\frac{1}{N-1}<\rho<1 .
\end{aligned}
$$
$\bar{Y}$的线性无偏估计量(LUE)是这样的形式
$$
t=t(s, Y)=a_s+\sum_{i \in s} b_{s i} Y_i
$$
与$a_s, b_{s i}$免费$Y$这样，为一个固定的设计$p$
$$
E_p\left(a_s\right)=0, \sum_{s \ni i} b_{s i} p(s)=\frac{1}{N} \text { for } i=1, \ldots, N .
$$
为了找到一个最佳策略($p, t)$)，让我们按照以下步骤进行。首先要注意写$c_{s i}=b_{s i} X_i$，
$$
1=\frac{X}{N}=\frac{1}{N} \sum_1^N X_i=\sum_1^N \sum_{s \ni i} c_{s i} p(s)=\sum_s p(s)\left[\sum_{i \in s} c_{s i}\right] .
$$

统计代写|抽样调查作业代写sampling theory of survey代考|Applications to Survey Sampling

现在需要进一步的方法，因为$\theta_0$本身需要根据调查数据进行估计
$$
d=\left(i, Y_i \mid i \in s\right)
$$
只适用于$Y_i$与$i \in s, s$的一个样本应该是选择的概率$p(s)$根据我们假设的设计$p$
$$
\pi_i=\sum_{s \ni i} p(s)>0 \text { for all } i=1,2, \ldots, N .
$$
通过上一节的设置，让$Y_i$是独立的，并考虑无偏估计函数$\phi_i\left(Y_i, \theta\right) ; i=$$1,2, \ldots, N$。让
$$
\theta_0=\theta_0(Y)
$$
是$g(Y, \theta)=0$的解
$$
g(Y, \theta)=\sum_1^N \phi_i\left(Y_i, \theta\right)
$$
并考虑使用调查数据$d=\left(i, Y_i \mid i \in\right.$来估计这个$\theta_0$。因此，从无偏抽样函数开始似乎很自然
$$
h=h(s, Y, \theta)
$$
哪个是免费的$Y_j$为$j \notin s$和满足
(a) $\frac{\partial h}{\partial \theta}(s, Y, \theta)$适用于所有$Y$
(b) $E_m \frac{\partial h}{\partial \theta}(s, Y, \theta) \neq 0$
(c) $E_p h(s, Y, \theta)=g(Y, \theta)$对于所有$Y$，为无偏性条件。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考

随机过程代考

在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。

贝叶斯方法代考

贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

机器学习代写

随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。

多元统计分析代考

基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

如果你也在 怎样代写抽样调查sampling theory of survey这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。

抽样调查是一种非全面调查，根据随机的原则从总体中抽取部分实际数据进行调查，并运用概率估计方法，根据样本数据推算总体相应的数量指标的一种统计分析方法。

statistics-lab™ 为您的留学生涯保驾护航 在代写抽样调查sampling theory of survey方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写抽样调查sampling theory of survey方面经验极为丰富，各种代写抽样调查sampling theory of survey相关的作业也就用不着说。

我们提供的抽样调查sampling theory of survey及其相关学科的代写，服务范围广, 其中包括但不限于:

统计代写|抽样调查作业代写sampling theory of survey代考|Nonexistence Results

Let a design $p$ be given and consider a $p$-unbiased estimator $t$, that is, $B_p(t)=E_p(t-Y)=0$ uniformly in $Y$. The performance of such an estimator is assessed by $V_p(t)=E_p(t-Y)^2$ and we would like to minimize $V_p(t)$ uniformly in $Y$. Assume $t^$ is such a uniformly minimum variance (UMV) unbiased estimator (UMVUE), that is, for every unbiased $t$ (other than $\left.t^\right)$ one has $V_p\left(t^\right) \leq V_p(t)$ for every $Y$ and $V_p\left(t^\right)<V_p(t)$ at least for one $Y$.

Let $\Omega$ be the range (usually known) of $Y$; for example, $\Omega=\left{Y: a_i<Y_i<b_i, i=1, \ldots, N\right}$ with $a_i, b_i(i=1, \ldots, N)$ as known real numbers. If $a_i=-\infty$ and $b_i=+\infty$, then $\Omega$ coincides with the $N$-dimensional Euclidean space $\mathbb{R}^N$; otherwise $\Omega$ is a subset of $\mathbb{R}^N$. Let us choose a point $A=\left(A_1, \ldots, A_i, \ldots\right.$, $\left.A_N\right)^{\prime}$ in $\Omega$ and consider as an estimator for $Y$
$$
\begin{aligned}
t_A & =t_A(s, Y) \
& =t^(s, Y)-t^(s, A)+A
\end{aligned}
$$
where $A=\Sigma A_i$. Then,
$$
E_p\left(t_A\right)=E_p t^(s, Y)-E_p t^(s, A)+A=Y-A+A=Y
$$
that is, $t_A$ is unbiased for $Y$. Now the value of
$$
V_p\left(t_A\right)=E_p\left[t^(s, Y)-t^(s, A)+A-Y\right]^2
$$
equals zero at the point $Y=A$. Since $t^$ is supposed to be the UMVUE, $V_p\left(t^\right)$ must also be zero when $Y=A$. Now $A$ is arbitrary. So, in order to qualify as the UMVUE for $Y$, the $t^$ must have its variance identically equal to zero. This is possible only if one has a census, that is, every unit of $U$ is in $s$ rendering $t^$ coincident with $Y$. So, for no design except a census design, for which the entire population is surveyed, there may exist a UMV estimator among all UE’s for $Y$. The same is true if, instead of $Y$, one takes $\bar{Y}$ as the estimand. This important nonexistence result is due to GODAMBE and JOSHI (1965) while the proof presented above was given by BASU (1971).

统计代写|抽样调查作业代写sampling theory of survey代考|Rao-Blackwellization

An estimator $t=t(s, Y)$ may depend on the order in which the units appear in $s$ and may depend on the multiplicities of the appearances of the units in $s$.

EXAMPLE 3.1 Let $P_i\left(0<P_i<1, \Sigma_1^N P_i=1\right)$ be known numbers associated with the units $i$ of $U$. Suppose on the first draw a unit $i$ is chosen from $U$ with probability $P_i$ and on the second draw a unit $j(\neq i)$ is chosen with probability $\frac{P_j}{1-P_i}$.

Consider RAJ’s (1956) estimator (see section 2.4.6)
$$
t_D=t(i, j)=\frac{1}{2}\left[\frac{Y_i}{P_i}+\left(Y_i+\frac{Y_j}{P_j}\left(1-P_i\right)\right)\right]=\frac{1}{2}\left(e_1+e_2\right), \text { say. }
$$
Now,
$$
E_p\left(e_1\right)=E_p\left[\frac{Y_i}{P_i}\right]=\sum_1^N \frac{Y_i}{P_i} P_i=Y
$$
and
$$
e_2=Y_i+\frac{Y_j}{P_j}\left(1-P_j\right)
$$
has the conditional expectation, given that $\left(i, Y_i\right)$ is observed on the first draw,
$$
E_C\left(e_2\right)=Y_i+\sum_{j \neq i}\left[\frac{Y_j}{P_j}\left(1-P_i\right)\right] \frac{P_j}{1-P_i}=Y_i+\sum_{j \neq i} Y_j=Y
$$
and hence the unconditional expectation $E_p\left(e_2\right)=Y$. So $t_D$ is unbiased for $Y$, but depends on the order in which the units appear in the sample $s=(i, j)$ that is, in general
$$
t_D(i, j) \neq t_D(j, i)
$$

抽样调查代考

统计代写|抽样调查作业代写sampling theory of survey代考|Nonexistence Results

假设给定一个设计$p$，并考虑一个$p$ -无偏估计量$t$，即在$Y$中均匀地$B_p(t)=E_p(t-Y)=0$。这种估计器的性能由$V_p(t)=E_p(t-Y)^2$评估，我们希望在$Y$中一致地最小化$V_p(t)$。假设$t^$是这样一个一致最小方差(UMV)无偏估计量(UMVUE)，也就是说，对于每个无偏$t$(除了$\left.t^\right)$之外)，对于每个$Y$和$V_p\left(t^\right)<V_p(t)$至少有一个$Y$都有$V_p\left(t^\right) \leq V_p(t)$。

设$\Omega$为$Y$的范围(通常已知);例如，$\Omega=\left{Y: a_i<Y_i<b_i, i=1, \ldots, N\right}$和$a_i, b_i(i=1, \ldots, N)$作为已知的实数。如果$a_i=-\infty$和$b_i=+\infty$，则$\Omega$与$N$维欧氏空间$\mathbb{R}^N$重合;否则$\Omega$是$\mathbb{R}^N$的子集。让我们在$\Omega$中选择一个点$A=\left(A_1, \ldots, A_i, \ldots\right.$, $\left.A_N\right)^{\prime}$，并将其作为$Y$的估计量
$$
\begin{aligned}
t_A & =t_A(s, Y) \
& =t^(s, Y)-t^(s, A)+A
\end{aligned}
$$
在哪里$A=\Sigma A_i$。然后，
$$
E_p\left(t_A\right)=E_p t^(s, Y)-E_p t^(s, A)+A=Y-A+A=Y
$$
也就是说，$t_A$对$Y$是无偏的。的值
$$
V_p\left(t_A\right)=E_p\left[t^(s, Y)-t^(s, A)+A-Y\right]^2
$$
在$Y=A$处等于0。因为$t^$应该是UMVUE，所以当$Y=A$时$V_p\left(t^\right)$也必须为零。$A$是任意的。因此，为了符合$Y$的UMVUE, $t^$必须具有完全等于零的方差。这只有在进行人口普查时才有可能，也就是说，$U$的每个单位都在$s$中，使$t^$与$Y$一致。因此，除了对整个人口进行调查的人口普查设计之外，对于$Y$，所有UE中可能存在UMV估计量。如果不取$Y$，而取$\bar{Y}$作为估计值，情况也是如此。这个重要的不存在性结果是由GODAMBE和JOSHI(1965)给出的，而上面的证明是由BASU(1971)给出的。

统计代写|抽样调查作业代写sampling theory of survey代考|Rao-Blackwellization

估计量$t=t(s, Y)$可能取决于$s$中各单元出现的顺序，也可能取决于$s$中各单元出现的次数。

例3.1设$P_i\left(0<P_i<1, \Sigma_1^N P_i=1\right)$为与$U$的单位$i$相关联的已知数。假设第一次抽中单位$i$以$P_i$的概率从$U$中选择，第二次抽中单位$j(\neq i)$以$\frac{P_j}{1-P_i}$的概率选择。

考虑RAJ的(1956)估计器(见第2.4.6节)
$$
t_D=t(i, j)=\frac{1}{2}\left[\frac{Y_i}{P_i}+\left(Y_i+\frac{Y_j}{P_j}\left(1-P_i\right)\right)\right]=\frac{1}{2}\left(e_1+e_2\right), \text { say. }
$$
现在，
$$
E_p\left(e_1\right)=E_p\left[\frac{Y_i}{P_i}\right]=\sum_1^N \frac{Y_i}{P_i} P_i=Y
$$
和
$$
e_2=Y_i+\frac{Y_j}{P_j}\left(1-P_j\right)
$$
有条件期望，假设在第一次抽签时观察到$\left(i, Y_i\right)$，
$$
E_C\left(e_2\right)=Y_i+\sum_{j \neq i}\left[\frac{Y_j}{P_j}\left(1-P_i\right)\right] \frac{P_j}{1-P_i}=Y_i+\sum_{j \neq i} Y_j=Y
$$
这就是无条件期望$E_p\left(e_2\right)=Y$。所以$t_D$对于$Y$是无偏的，但是取决于样本中各单元出现的顺序$s=(i, j)$也就是说，一般情况下
$$
t_D(i, j) \neq t_D(j, i)
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考

随机过程代考

在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。

贝叶斯方法代考

贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

机器学习代写

随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。

多元统计分析代考

基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

如果你也在 怎样代写抽样调查sampling theory of survey这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。

抽样调查是一种非全面调查，根据随机的原则从总体中抽取部分实际数据进行调查，并运用概率估计方法，根据样本数据推算总体相应的数量指标的一种统计分析方法。

statistics-lab™ 为您的留学生涯保驾护航 在代写抽样调查sampling theory of survey方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写抽样调查sampling theory of survey方面经验极为丰富，各种代写抽样调查sampling theory of survey相关的作业也就用不着说。

我们提供的抽样调查sampling theory of survey及其相关学科的代写，服务范围广, 其中包括但不限于:

统计代写|抽样调查作业代写sampling theory of survey代考|Ratio Strategy

Utilizing the theory thus developed by RAO and VIJAYAN (1977) and RAO (1979), one may write down the exact MSE of the ratio estimator $t_1$ about $Y$ if $t_1$ is based on SRSWOR in $n$ draws as
$$
\begin{aligned}
M= & -\sum_{1 \leq i<j \leq N} \sum_{i \in j}\left[\frac{Y_i}{X_i}-\frac{Y_j}{X_j}\right]^2 \frac{X_i X_j}{\left(\begin{array}{c}
N \
n
\end{array}\right)} \
& \times\left[X^2 \sum_{s \ni i, j} \frac{1}{\left(\sum_{i \in s} X_i\right)^2}-X \sum_{s \ni i} \frac{1}{\left(\sum_{i \in s} X_i\right)}\right. \
& \left.-X \sum_{s \ni j} \frac{1}{\left(\sum_{i \in s} X_i\right)}+\left(\begin{array}{c}
N \
n
\end{array}\right)\right]
\end{aligned}
$$
because
$$
t_1=X\left[\sum_{i \in s} Y_i\right] /\left[\sum_{i \in s} X_i\right]=\sum_1^N Y_i b_{s i} I_{s i} \quad \text { with } \quad b_{s i}=\frac{X}{\sum_{i \in s} X_i}
$$
has
$$
\begin{aligned}
d_{i j}= & E_p\left(b_{s i} I_{s i}-1\right)\left(b_{s j} I_{s j}-1\right) \
= & \frac{1}{\left(\begin{array}{c}
N \
n
\end{array}\right)}\left[X^2 \sum_{s \ni i, j} \frac{1}{\left(\sum_{i \in s} X_i\right)^2}-X \sum_{s \ni i} \frac{1}{\left(\sum_{i \in s} X_i\right)}\right. \
& \left.-X \sum_{s \ni j} \frac{1}{\left(\sum_{i \in s} X_i\right)}+\left(\begin{array}{c}
N \
n
\end{array}\right)\right] \
= & B_{i j}, \text { say. }
\end{aligned}
$$
Writing
$$
a_{i j}=X_i X_j\left[\frac{Y_i}{X_i}-\frac{Y_j}{X_j}\right]^2
$$
we have
$$
M=-\sum_{i<j} a_{i j} B_{i j}
$$
Since for SRSWOR, $\pi_{i j}=\frac{n(n-1)}{N(N-1)}$ for every $i, j(i \neq j)$ an obvious uniformly non-negative quadratic unbiased estimator for $M$ is
$$
\hat{M}=-\frac{N(N-1)}{n(n-1)} \sum_{i<j} \sum_{i j} B_{i j} I_{s i j}
$$

统计代写|抽样调查作业代写sampling theory of survey代考|Hansen–Hurwitz Strategy

For the HANSEN-HURWITZ estimator $t_2$, which is unbiased for $Y$, when based on PPSWR sampling, the variance is well known to be
$$
\begin{aligned}
V_2=M & =\frac{1}{n}\left[\sum_1^N \frac{Y_i^2}{P_i}-Y^2\right] \
& =\frac{1}{n} \sum P_i\left[\frac{Y_i}{P_i}-Y\right]^2 \
& =\frac{1}{n} \sum_{i<j} \sum_i P_i P_j\left[\frac{Y_i}{P_i}-\frac{Y_j}{P_j}\right]^2
\end{aligned}
$$
admitting a well-known non-negative estimator
$$
\begin{aligned}
v_2 & =\frac{1}{n^2(n-1)} \sum_{r<r^{\prime}} \sum_{[}\left[\frac{y_r}{p_r}-\frac{y_{r^{\prime}}}{p_{r^{\prime}}}\right]^2 \
& =\frac{1}{n(n-1)} \sum_{r=1}^n\left[\frac{y_r}{p_r}-t_2\right]^2
\end{aligned}
$$
where $y_r$ is the $y$ value of the unit drawn in the $r$ th place, while $p_r$ is the probability of this unit to be drawn.

抽样调查代考

统计代写|抽样调查作业代写sampling theory of survey代考|Ratio Strategy

利用RAO和VIJAYAN(1977)和RAO(1979)提出的理论，我们可以写出关于$Y$的比率估计器$t_1$的精确MSE，如果$t_1$是基于$n$中的SRSWOR
$$
\begin{aligned}
M= & -\sum_{1 \leq i<j \leq N} \sum_{i \in j}\left[\frac{Y_i}{X_i}-\frac{Y_j}{X_j}\right]^2 \frac{X_i X_j}{\left(\begin{array}{c}
N \
n
\end{array}\right)} \
& \times\left[X^2 \sum_{s \ni i, j} \frac{1}{\left(\sum_{i \in s} X_i\right)^2}-X \sum_{s \ni i} \frac{1}{\left(\sum_{i \in s} X_i\right)}\right. \
& \left.-X \sum_{s \ni j} \frac{1}{\left(\sum_{i \in s} X_i\right)}+\left(\begin{array}{c}
N \
n
\end{array}\right)\right]
\end{aligned}
$$
因为
$$
t_1=X\left[\sum_{i \in s} Y_i\right] /\left[\sum_{i \in s} X_i\right]=\sum_1^N Y_i b_{s i} I_{s i} \quad \text { with } \quad b_{s i}=\frac{X}{\sum_{i \in s} X_i}
$$
有
$$
\begin{aligned}
d_{i j}= & E_p\left(b_{s i} I_{s i}-1\right)\left(b_{s j} I_{s j}-1\right) \
= & \frac{1}{\left(\begin{array}{c}
N \
n
\end{array}\right)}\left[X^2 \sum_{s \ni i, j} \frac{1}{\left(\sum_{i \in s} X_i\right)^2}-X \sum_{s \ni i} \frac{1}{\left(\sum_{i \in s} X_i\right)}\right. \
& \left.-X \sum_{s \ni j} \frac{1}{\left(\sum_{i \in s} X_i\right)}+\left(\begin{array}{c}
N \
n
\end{array}\right)\right] \
= & B_{i j}, \text { say. }
\end{aligned}
$$
写作
$$
a_{i j}=X_i X_j\left[\frac{Y_i}{X_i}-\frac{Y_j}{X_j}\right]^2
$$
我们有
$$
M=-\sum_{i<j} a_{i j} B_{i j}
$$
因为对于SRSWOR, $\pi_{i j}=\frac{n(n-1)}{N(N-1)}$对于每一个$i, j(i \neq j)$，都有一个明显的一致非负二次无偏估计量$M$
$$
\hat{M}=-\frac{N(N-1)}{n(n-1)} \sum_{i<j} \sum_{i j} B_{i j} I_{s i j}
$$

统计代写|抽样调查作业代写sampling theory of survey代考|Hansen–Hurwitz Strategy

对于对于$Y$无偏的HANSEN-HURWITZ估计器$t_2$，当基于PPSWR采样时，方差是众所周知的
$$
\begin{aligned}
V_2=M & =\frac{1}{n}\left[\sum_1^N \frac{Y_i^2}{P_i}-Y^2\right] \
& =\frac{1}{n} \sum P_i\left[\frac{Y_i}{P_i}-Y\right]^2 \
& =\frac{1}{n} \sum_{i<j} \sum_i P_i P_j\left[\frac{Y_i}{P_i}-\frac{Y_j}{P_j}\right]^2
\end{aligned}
$$
承认一个著名的非负估计量
$$
\begin{aligned}
v_2 & =\frac{1}{n^2(n-1)} \sum_{r<r^{\prime}} \sum_{[}\left[\frac{y_r}{p_r}-\frac{y_{r^{\prime}}}{p_{r^{\prime}}}\right]^2 \
& =\frac{1}{n(n-1)} \sum_{r=1}^n\left[\frac{y_r}{p_r}-t_2\right]^2
\end{aligned}
$$
其中$y_r$为第$r$位抽到的单位的$y$值，$p_r$为抽到该单位的概率。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考

随机过程代考

在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。

贝叶斯方法代考

贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

机器学习代写

随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。

多元统计分析代考

基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。