Estimation in Surveys with Nonresponse pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:John Wiley & Sons Inc

作者:Sarndal, Carl-Erik/ Lundstrom, Sixten

出品人:

页数:212

译者:

出版时间:2005-8

价格:796.00元

装帧:HRD

isbn号码:9780470011331

丛书系列:

图书标签:

统计学
抽样调查
非回应
估计
推断统计
调查方法学
数据质量
缺失数据
加权估计
方差估计

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到小哈图书下载中心

qciss.net

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

Around the world a multitude of surveys are conducted every day, on a variety of subjects, and consequently surveys have become an accepted part of modern life. However, in recent years survey estimates have been increasingly affected by rising trends in nonresponse, with loss of accuracy as an undesirable result. Whilst it is possible to reduce nonresponse to some degree, it cannot be completely eliminated. Estimation techniques that account systematically for nonresponse and at the same time succeed in delivering acceptable accuracy are much needed. Estimation in Surveys with Nonresponse provides an overview of these techniques, presenting the view of nonresponse as a normal (albeit undesirable) feature of a sample survey, one whose potentially harmful effects are to be minimised. Builds in the nonresponse feature of survey data collection as an integral part of the theory, both for point estimation and for variance estimation. Promotes weighting through calibration as a new and powerful technique for surveys with nonresponse. Highlights the analysis of nonresponse bias in estimates and methods to minimize this bias. Includes computational tools to help identify the best variables for calibration. Discusses the use of imputation as a complement to weighting by calibration. Contains guidelines for dealing with frame imperfections and coverage errors. Features worked examples throughout the text, using real data. The accessible style of Estimation in Surveys with Nonresponse will make this an invaluable tool for survey methodologists in national statistics agencies and private survey agencies. Researchers, teachers, and students of statistics, social sciences and economics will benefit from the clear presentation and numerous examples.

好的，这是一份关于“调查中的非应答估计”相关主题的图书简介草稿，侧重于非应答处理的理论和方法，但不提及您的特定书名。调查中的数据缺失与稳健估计：理论、方法与实践应用图书概述在现代社会科学、市场研究、流行病学以及经济统计等诸多领域中，调查研究是获取一手数据、洞察复杂现象的关键工具。然而，无论调查设计如何精巧，实际执行过程中“非应答”（Nonresponse）现象几乎是不可避免的挑战。非应答，即被选中的调查对象未能提供所需信息，会对调查结果的准确性和代表性造成系统性偏差，从而削弱统计推断的有效性。本书旨在系统梳理调查方法学中处理非应答问题的理论基础、核心算法以及其实际应用。本书不仅深入探讨了非应答的类型、成因分析，更侧重于介绍和评估当前主流的估计与校正技术，帮助研究人员和统计实践者建立起对非应答偏差的全面认知，并掌握构建稳健估计模型的能力。本书内容涵盖了从经典到前沿的非应答处理范式，强调统计严谨性与实际操作可行性的结合。第一部分：非应答的诊断与分类（The Landscape of Nonresponse）在设计校正策略之前，深入理解非应答的本质至关重要。本部分将非应答现象置于现代抽样理论的框架下进行剖析。 1. 非应答的定义与影响：清晰界定完全非应答（Complete Nonresponse）与部分非应答（Partial Nonresponse）的概念。详细分析非应答如何导致样本结构失真（Coverage Bias），并对估计量的有效性（Efficiency）和无偏性（Unbiasedness）产生何种具体影响。我们讨论“应答机制”（Response Mechanism）在非应答偏差产生中的核心作用。 2. 应答机制的分类与检验：基于Rubin（1976）的经典框架，本书详尽阐述了三种主要的应答机制：完全随机应答（Missing Completely at Random, MCAR）、随机应答（Missing at Random, MAR）和非随机应答（Not Missing at Random, NMAR）。重点在于如何通过背景信息和辅助数据来初步判断和检验样本数据可能落入的机制类别。讨论了基于对数似然比检验和信息准则的机制识别方法。 3. 非应答的来源分析：探究导致非应答的具体因素，包括受访者层面的特征（如年龄、收入、态度）、调查设计因素（如访问模式、激励措施）以及环境因素（如时间、地点）。通过对这些深层原因的理解，为后续的建模选择提供依据。第二部分：概率加权估计方法（Probability Weighting Methods）概率加权是处理非应答偏差最基础且应用最广泛的技术之一，它通过调整响应单元的权重来模拟缺失单元的特征。 1. 初始权重与权重调整：回顾初始抽样权重（Design Weights）的构建，并引入非应答调整因子（Nonresponse Adjustment Factors）。阐述如何计算和应用响应概率的倒数作为初步的权重校正项。 2. 基于模型的权重估计（Weighting Classes Adjustment）：介绍将总体划分为同质的“权重类”（Weighting Cells）的方法。详细讲解了如何基于已知的辅助变量（Auxiliary Variables）来定义这些类别，并计算每类内部的平均非应答率，进而确定调整系数。重点讨论了类别划分的敏感性分析。 3. 广义回归估计（Generalized Regression, GREG）与校正：将非应答校正整合到GREG框架中，讨论如何利用辅助变量在校正的权重和估计量方差之间进行权衡。介绍Horvitz-Thompson（HT）估计量在非应答背景下的修正形式。 4. 响应概率模型（Propensity Score Modeling）：借鉴因果推断领域的思想，详细介绍如何使用Logistic回归模型来估计每个单元的响应概率（Propensity Score）。讨论如何利用这些估计的概率进行权重调整，以实现对MAR情景下的偏差校正。第三部分：多重插补法（Multiple Imputation, MI）对于部分缺失和需要更精细化处理的非应答情况，多重插补法提供了一种灵活且统计效率较高的解决方案。 1. 多重插补的理论基础：深入探讨贝叶斯统计和最大似然估计在多重插补中的地位。阐述“插补模型”（Imputation Model）的构建原则，确保插补值既能反映数据的内在结构，又能合理地反映不确定性。 2. 常见的插补技术：详细介绍适用于不同数据类型的插补技术：回归法插补 (Regression Imputation): 基于现有数据的回归模型预测缺失值。随机回归法插补 (Stochastic Regression Imputation): 在回归预测值上增加随机残差，以保留方差信息。序贯回归插补 (Sequential Regression Imputation / MICE): 阐述Multiple Imputation by Chained Equations（MICE）的迭代过程，尤其适用于混合类型数据的处理。 3. 结果的合并与推断：讲解Rubin’s Rules（卢宾法则）——如何将多个插补数据集的分析结果（估计量、标准误）进行有效、无偏的合并，以获得最终的统计推断。第四部分：模型驱动的先进技术（Model-Driven Advanced Techniques）当非应答被假定为NMAR时，传统权重方法和简单插补可能失效。本部分聚焦于需要建立复杂统计模型的先进方法。 1. 似然函数方法（Maximum Likelihood Estimation, MLE）：探讨如何为存在非应答的调查数据建立联合似然函数。重点分析在MAR和NMAR假设下，如何通过最大化此似然函数来估计参数。讨论其计算复杂性及其在大型调查中的应用限制。 2. 辅助信息的使用（Using Auxiliary Information）：介绍如何整合来自行政记录、先前调查或其他外部资源的信息来改进非应答估计。讨论“联合分析”（Record Linkage）数据在NMAR模型构建中的作用。 3. 敏感性分析（Sensitivity Analysis）：强调在无法完全排除NMAR可能性时，进行敏感性分析的必要性。介绍不同的敏感性分析框架（如Placebo Models, Pattern Mixture Models），用以评估不同NMAR机制假设下估计结果的稳定性。第五部分：实践案例与软件实现（Practical Implementation）本书的最后部分将理论与实践相结合，通过实际调查数据（例如健康调查、劳动力调查等）展示上述方法的应用。 1. 软件工具介绍：指导读者使用主流统计软件（如R、Stata或SAS）中专门用于处理非应答的程序包和模块，包括权重调整、MICE流程的实现。 2. 调查设计与报告规范：讨论在调查报告中透明地报告非应答率、所采用的校正方法以及敏感性分析结果的重要性。强调确保统计透明度和可重复性的行业最佳实践。读者对象本书面向统计学、社会学、公共卫生、经济学等领域的学生、研究人员、政府统计局及市场调研机构的专业人士。对调查方法学、统计推断有基本了解的读者将能从中获益最大。本书的深度适中，既能为初学者提供坚实的理论基础，也能为资深研究者提供方法论上的进阶参考。