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|Bestness under a Model
To choose among different $Q_i$ ‘s satisfying the $\mathrm{ADC}$ and equivalently ADU requirement in case $R=1$, BREWER (1979) recommended as a criterion
$$
L=\lim {T \rightarrow \infty} E_m E_p\left{\left[t{Q 1 T}\left(s_T, Y_T\right)-Y_T\right]^2 / T\right}
$$
where $Y_i=x_i^{\prime} \beta+\varepsilon_i$ is assumed with
$$
\begin{aligned}
E_m\left(\varepsilon_i\right) & =0 & & \
C_m\left(\varepsilon_i, \varepsilon_j\right) & =\sigma_i^2, & & \text { if } j=i \
& =0, & & \text { if } j \neq i
\end{aligned}
$$
$(i, j=1,2, \ldots, T N)$. He has shown that
$$
L \geq \sum \sigma_i^2\left[\frac{1}{\pi_i}-1\right]
$$
holds with equality for the LPRE defined by $Q_i^*$ (see RESULT 6.4).
Now, every QR predictor with the consistency and ADU property is a GREG predictor, $t_{Q 1 / \pi}$, and
$$
\begin{aligned}
t_{Q 1 / \pi}-Y= & {\left[\sum_1^N xi^{\prime}-\sum I{s i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^N I{s i} Q_i xi x_i^{\prime}\right]^{-1}\left[\sum_1^N I{s i} Q_i xi Y_i\right] } \ & +\sum_1^N I{s i} \frac{1}{\pi_i} Y_i-\sum_1^N I_{s i} Y_i-\sum_1^N\left(1-I_{s i}\right) Y_i \
= & \sum_1^N I_{s j}\left{\left[\sum_1^N xi^{\prime}-\sum I{s i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^N I{s i} Q_i xi x_i^{\prime}\right]^{-1} Q_j x_j\right. \ & \left.+\left[\frac{1}{\pi_j}-1\right]\right} Y_j-\sum_1^N\left(1-I{s j}\right) Y_j .
\end{aligned}
$$
With $s$ replaced by $s_T$ and $N$ by $N T$ we obtain
$$
t_{Q 1 / \pi T}-Y_T
$$
It is easily checked that $E_m\left(t_{Q 1 / \pi T}-Y_T\right)=0$ and under Eq. (6.1)
$$
\begin{aligned}
E_m & {\left[t_{Q 1 / \pi T}-Y_T\right]^2=V_m\left[t_{Q 1 / \pi T}-Y_T\right] } \
= & \sum_1^{N T} I_{s_T j}\left{\left[\sum_1^{N T} xi^{\prime}-\sum I{s_T i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^{N T} I{s_T i} Q_i xi x_i^{\prime}\right]^{-1} Q_j x_j\right. \ & \left.+\left[\frac{1}{\pi_i}-1\right]\right}^2 \sigma_j^2+\sum_1^{N T}\left(1-I{s_T j}\right) \sigma_j^2 .
\end{aligned}
$$
统计代写|抽样调查作业代写sampling theory of survey代考|Concluding Remarks
For a fuller treatment and alternative approaches by asymptotic analyses in survey sampling along with their interpretations, one may refer to BREWER (1979), SÄRNDAL (1980), FULLER and ISAKI (1981), ISAKI and FULLER (1982), ROBINSON and SÄRNDAL (1983), HANSEN, MADOW and TEPPING (1983), and CHAUDHURI and VOS (1988). We omit the details to avoid a too technical discussion.
Robustness has been on the focus relating to LPREs. GREG predictors by virtue of their forms acquire robustness from design considerations in the sense of asymptotic design unbiasedness, as we noticed in the previous section. At this stage let us turn again to them to examine their robustness.
An LPRE is of the form $t_L=\Sigma_s Y_i+\Sigma_r \hat{\mu}i$ where $E_m\left(Y_i\right)=$ $\mu_i$. If $\mu_i$ is a polynominal in an auxiliary variable $x$, for samples balanced up to a certain order every $t{B L U}$ is bias robust, that is, $E_m\left(t_{B L U}-Y\right)=0$, and asymptotically so for large samples selected by SRSWOR, preferably with appropriate stratifications. But $t_{B L U}$ is not usually MSE robust, by which we mean the following: Let us write $t_{m^{\prime}}$ for the predictor, which is BLU under a model $m^{\prime}$; its bias, MSE, and variance under a true model, $m$, are, respectively, $B_m\left(t_{m^{\prime}}\right), M_m\left(t_{m^{\prime}}\right)$, and $V_m\left(t_{m^{\prime}}-Y\right)$. Then, $M_m\left(t_{m^{\prime}}\right)=V_m\left(t_{m^{\prime}}-Y\right)+B_m^2\left(t_{m^{\prime}}\right)$ and $M_m\left(t_m\right)=V_m\left(t_m-Y\right)$ because $B_m\left(t_m\right)=0$. Even if $\left|B_m\left(t_{m^{\prime}}\right)\right|$ is negligible, $V_m\left(t_{m^{\prime}}-Y\right)$ may be too far away from $V_m\left(t_m-Y\right)$ and so may be $M_m\left(t_{m^{\prime}}\right)$ from $M_m\left(t_m\right)$. So $t_{m^{\prime}}$, even if bias robust, may be quite fragile in respect to MSE.
Very little with practical utility is known about MSE robustness of LPREs. More importantly, nobody knows what the true model is; even with a polynomial assumption it is hard to know its degree, and in large-scale surveys diagnostic analysis to fix a correct model is a far cry. So, it is being recognized that even for model-based LPREs robustness should be examined with respect to design, that is, one should examine the magnitude of
$$
M_p\left(t_L\right)=E_p\left(t_L-Y\right)^2=V_p\left(t_L\right)+B_p^2\left(t_L\right) .
$$
Since the sample size is usually large, we may presume $V_p\left(t_L\right)$ to be suitably under control and we should concentrate on $\left|B_p\left(t_L\right)\right|$. In section 4.1.2 we saw how a restriction $B_p(t)=0$ may lead to loss of efficiency, especially if a model is accurately postulated. An accepted criterion for robustness studies is therefore to demand that $t_L$ be $\mathrm{ADC}$. Similar are the desirable requirements for any other estimator or predictor.
抽样调查代考
统计代写|抽样调查作业代写sampling theory of survey代考|Bestness under a Model
BREWER(1979)建议在满足$\mathrm{ADC}$和等价ADU要求的情况$R=1$的不同$Q_i$中进行选择作为标准
$$
L=\lim {T \rightarrow \infty} E_m E_p\left{\left[t{Q 1 T}\left(s_T, Y_T\right)-Y_T\right]^2 / T\right}
$$
$Y_i=x_i^{\prime} \beta+\varepsilon_i$在哪里
$$
\begin{aligned}
E_m\left(\varepsilon_i\right) & =0 & & \
C_m\left(\varepsilon_i, \varepsilon_j\right) & =\sigma_i^2, & & \text { if } j=i \
& =0, & & \text { if } j \neq i
\end{aligned}
$$
$(i, j=1,2, \ldots, T N)$。他已经证明了
$$
L \geq \sum \sigma_i^2\left[\frac{1}{\pi_i}-1\right]
$$
对于由$Q_i^*$定义的LPRE(参见RESULT 6.4)，持有与相等。
现在，每个具有一致性和ADU属性的QR预测器都是GREG预测器，$t_{Q 1 / \pi}$和
$$
\begin{aligned}
t_{Q 1 / \pi}-Y= & {\left[\sum_1^N xi^{\prime}-\sum I{s i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^N I{s i} Q_i xi xi^{\prime}\right]^{-1}\left[\sum_1^N I{s i} Q_i xi Y_i\right] } \ & +\sum_1^N I{s i} \frac{1}{\pi_i} Y_i-\sum_1^N I{s i} Y_i-\sum_1^N\left(1-I_{s i}\right) Y_i \
= & \sum_1^N I_{s j}\left{\left[\sum_1^N xi^{\prime}-\sum I{s i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^N I{s i} Q_i xi xi^{\prime}\right]^{-1} Q_j x_j\right. \ & \left.+\left[\frac{1}{\pi_j}-1\right]\right} Y_j-\sum_1^N\left(1-I{s j}\right) Y_j . \end{aligned} $$ 将$s$替换为$s_T$，将$N$替换为$N T$，我们得到 $$ t{Q 1 / \pi T}-Y_T
$$
很容易检查$E_m\left(t_{Q 1 / \pi T}-Y_T\right)=0$和Eq. (6.1)
$$
\begin{aligned}
E_m & {\left[t_{Q 1 / \pi T}-Y_T\right]^2=V_m\left[t_{Q 1 / \pi T}-Y_T\right] } \
= & \sum_1^{N T} I_{s_T j}\left{\left[\sum_1^{N T} xi^{\prime}-\sum I{s_T i} \frac{1}{\pi_i} xi^{\prime}\right]\left[\sum_1^{N T} I{s_T i} Q_i xi x_i^{\prime}\right]^{-1} Q_j x_j\right. \ & \left.+\left[\frac{1}{\pi_i}-1\right]\right}^2 \sigma_j^2+\sum_1^{N T}\left(1-I{s_T j}\right) \sigma_j^2 .
\end{aligned}
$$
统计代写|抽样调查作业代写sampling theory of survey代考|Concluding Remarks
对于更全面的处理和通过调查抽样渐进分析的替代方法及其解释，可以参考BREWER(1979)、SÄRNDAL(1980)、fuller和ISAKI(1981)、ISAKI和fuller(1982)、ROBINSON和SÄRNDAL(1983)、HANSEN、MADOW和TEPPING(1983)以及CHAUDHURI和VOS(1988)。我们省略了细节以避免过于技术性的讨论。
鲁棒性一直是与LPREs相关的焦点。正如我们在前一节中注意到的那样，GREG预测器凭借其形式从设计考虑中获得了渐近设计无偏性意义上的鲁棒性。在这个阶段，让我们再来看看它们的稳健性。
LPRE的形式为$t_L=\Sigma_s Y_i+\Sigma_r \hat{\mu}i$，其中$E_m\left(Y_i\right)=$$\mu_i$。如果$\mu_i$是辅助变量$x$中的多项式，那么对于平衡到一定阶数的样本，每个$t{B L U}$都是偏倚稳健的，即$E_m\left(t_{B L U}-Y\right)=0$，对于SRSWOR选择的大样本，则渐近地如此，最好有适当的分层。但是$t_{B L U}$通常不是MSE鲁棒性的，我们的意思是:让我们为预测器写$t_{m^{\prime}}$，它是模型$m^{\prime}$下的BLU;在真实模型$m$下，其偏差、MSE和方差分别为$B_m\left(t_{m^{\prime}}\right), M_m\left(t_{m^{\prime}}\right)$和$V_m\left(t_{m^{\prime}}-Y\right)$。然后，$M_m\left(t_{m^{\prime}}\right)=V_m\left(t_{m^{\prime}}-Y\right)+B_m^2\left(t_{m^{\prime}}\right)$和$M_m\left(t_m\right)=V_m\left(t_m-Y\right)$因为$B_m\left(t_m\right)=0$。即使$\left|B_m\left(t_{m^{\prime}}\right)\right|$可以忽略不计，$V_m\left(t_{m^{\prime}}-Y\right)$也可能离$V_m\left(t_m-Y\right)$太远，因此$M_m\left(t_{m^{\prime}}\right)$可能离$M_m\left(t_m\right)$太远。所以$t_{m^{\prime}}$，即使偏倚稳健，在MSE方面也可能很脆弱。
对于LPREs的MSE鲁棒性，我们所知甚少。更重要的是，没有人知道真正的模式是什么;即使有一个多项式假设，也很难知道它的程度，在大规模调查中，诊断分析要确定一个正确的模型是很遥远的。因此，人们认识到，即使是基于模型的LPREs，也应该根据设计来检查鲁棒性，也就是说，应该检查的幅度
$$
M_p\left(t_L\right)=E_p\left(t_L-Y\right)^2=V_p\left(t_L\right)+B_p^2\left(t_L\right) .
$$
由于样本量通常很大，我们可以假设$V_p\left(t_L\right)$在适当的控制之下，我们应该集中于$\left|B_p\left(t_L\right)\right|$。在4.1.2节中，我们看到了限制$B_p(t)=0$如何导致效率的损失，特别是在模型被精确假设的情况下。因此，稳健性研究的公认标准是要求$t_L$为$\mathrm{ADC}$。类似的是任何其他估计器或预测器的理想需求。
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。