灰建模在条件价值法数据处理中的应用

采用三江平原湿地调查问卷结果作为原始数据,探讨了灰建模方法在条件价值法数据处理中的应用.在对问卷数据进行聚类分析的基础上,采用传统的GM(1,1)模型,得到了合理有效的灰色模型,改进了条件价值法数据建模中仅将支付与抗议支付作为两个基本变量的模型,得出了多分类模型.     

问卷分割设计的成组序贯子问卷分配法

抽样调查在大数据时代仍是不可或缺的研究工具.然而,传统调查方式当前面临执行成本增加与数据质量降低的双重挑战.作为降低受访者负担的有效途径,问卷分割设计逐渐受到研究者重视.文章研究针对问卷分割设计中的子问卷分配过程展开讨论:在假设受访者招募服从泊松过程前提下,以降低协变量的子样本间差异为目标设计成组序贯随机过程.理论和数...     

利用遗传算法优化抽样调查的数据质量

对居民家庭进行抽样调查时,常常出于隐私或缺乏专业知识背景的原因,使得居民对被调查的经济变量不愿或无法给出准确值,从而影响调查数据的质量.在此情况下,国外知名的调查(如,美国的消费金融调查)会将调查变量的取值范围划分成一系列连续的、长度不等的区间,请受访者选择,以此来消除受访者的戒备和疑虑心理,收集家庭的经济变量的信息,但这种区间的划分是一种经验划分.从降低数据分析误差的角度提出了一种优化区间长度的设计思路,利用遗传算法给出了问题求解的方法,最后通过一个实际例子加以说明.方法对提高调查变量的数据质量颇有帮助.     

广州超市顾客满意度指数调查问卷设计初步探讨

一份好的调查报告离不开一份好的调查问卷,以研究广州各大超市顾客满意度指数为例来说明如何设计一份合理的调查问卷.重点对所设计的问卷进行预调查分析,包括信度检验,因子分析,多重共线分析和样本量的确定等一些前提工作,利用统计方法检验之后得到一份合理的调查问卷,为测评工作的顺利进行打下坚实的基础.     

数据可回溯的定期连续调查的抽样策略

对同一总体定期连续调查是觉的一类抽样调查，在这一类中有不少调查可利用调查问卷回溯得到前一时期的数据，以这些数据为辅助变量可大大提高估计精度。本文考虑了这一类调查的抽样策略，并利用我国１９８８年生育节育调查的资料作了模拟。     

矿工工作倦怠的形成机制—社会支持和应对方式的中介作用

构建矿工工作压力源、社会支持、应对方式和工作倦怠的结构模型,为矿工倦怠干预提供依据.采用多阶段分层随机抽样,抽取井工煤矿一线矿工1229名,用自编矿工工作倦怠、工作压力源问卷及成型社会支持评定量表、特质应对问卷进行调查.结果发现,组织管理和角色压力均正向影响工作倦怠的三个维度,工作特征仅正向影响生理疲乏;社会支持是工作压力源到工作倦怠的中介变量,主要表现在角色压力到疏离工作路径,客观支持中介效应较强;消极应对是工作压力源到工作倦怠的部分中介变量,其中介效应较社会支持大很多;工作压力源通过影响社会支持再影响应对方式进而正向影响工作倦怠;积极应对负向影响疏离工作.     

条件价值法中支付意愿的影响因素分析

结合一次针对三江平原湿地非使用价值进行的问卷调查,对条件价值法中支付意愿与问卷各问题之间的相关关系进行分析.对无序变量采用了χ²检验方法,对定序变量采用了Kendall系数检验.最终认为,受访者的社会情况与对湿地的认识问题相比较,受访者的社会情况对支付意愿有着更强烈的影响.     

多目标调查的MPPS平衡抽样方法研究

平衡抽样是广受关注的利用辅助信息改善样本结构的抽样方法.MPPS抽样在多目标调查中采用的与多变量规模成比例的入样概率,可以在平衡抽样中精确满足.基于MPPS抽样和平衡抽样的性质,文章提出多目标调查下的MPPS平衡抽样,该方法主要思想是将多个调查变量的辅助信息在确定入样概率和随机抽样过程中同时使用,提高HT估计量精度.模...     

高一学生数学自主学习情况的调查

1　问题的提出在培养学生的数学自主学习能力方面,许多老师已经做了大量的研究和实践工作,取得了一定的成绩. 随着初中数学新课程的全面实施和高中新课程的逐步推广,高中生的自主学习情况会有更多的变化. 我们的调查意在了解高中生的数学自主学习总体情况,发现其中的薄弱环节. 分析问题产生的原因.2　调查设计2.1　调查对象本调查的对象是笔者所在学校高一年级的学生,共 1345人. 本校是一所省三级重点中学,在当地规模较大,具有一定的代表性.2.2　调查方法本次调查主要采用问卷调查的方法. 问卷来源于“学习者自主”问卷 [1],并作了一些…     

高级统计学的教学实践与思考

基于教学实践和调查问卷对研究生高级统计学的各个教学环节进行了探讨和分析.区别于本科生的统计学教育,在研究生的统计教学中,不仅要介绍统计方法,而且还要通过更加有效的手段加强研究生对统计分析方法的整体认识和应用能力.教学实践和对调查问卷的统计分析结果表明:将传统的解释性教学和演示性教学与现代的具有建构主义特征的发现学习相结合将有助于培养研究生的学习能力和科研能力.     

A principal component method to impute missing values for mixed data

We propose a new method to impute missing values in mixed data sets. It is based on a principal component method, the factorial analysis for mixed data, which balances the influence of all the variables that are continuous and categorical in the construction of the principal components. Because the imputation uses the principal axes and components, the prediction of the missing values is based on the similarity between individuals and on the relationships between variables. The properties of the method are illustrated via simulations and the quality of the imputation is assessed using real data sets. The method is compared to a recent method (Stekhoven and Buhlmann Bioinformatics 28:113–118, 2011) based on random forest and shows better performance especially for the imputation of categorical variables and situations with highly linear relationships between continuous variables.     

Multiple Imputation by Ordered Monotone Blocks With Application to the Anthrax Vaccine Research Program

Multiple imputation (MI) has become a standard statistical technique for dealing with missing values. The CDC Anthrax Vaccine Research Program (AVRP) dataset created new challenges for MI due to the large number of variables of different types and the limited sample size. A common method for imputing missing data in such complex studies is to specify, for each of J variables with missing values, a univariate conditional distribution given all other variables, and then to draw imputations by iterating over the J conditional distributions. Such fully conditional imputation strategies have the theoretical drawback that the conditional distributions may be incompatible. When the missingness pattern is monotone, a theoretically valid approach is to specify, for each variable with missing values, a conditional distribution given the variables with fewer or the same number of missing values and sequentially draw from these distributions. In this article, we propose the “multiple imputation by ordered monotone blocks” approach, which combines these two basic approaches by decomposing any missingness pattern into a collection of smaller “constructed” monotone missingness patterns, and iterating. We apply this strategy to impute the missing data in the AVRP interim data. Supplemental materials, including all source code and a synthetic example dataset, are available online.     

基于收缩近邻方法的征信缺失数据插补研究

在海量征信数据的背景下,为降低缺失数据插补的计算成本,提出收缩近邻插补方法.收缩近邻方法通过三阶段完成数据插补,第一阶段基于样本和变量的缺失比例计算入样概率,通过不等概抽样完成数据的收缩,第二阶段基于样本间距离,选取与缺失样本近邻的样本组成训练集,第三阶段建立随机森林模型进行迭代插补.利用Australian数据集和中国各银行数据集进行模拟研究,结果表明在确保一定插补精度的情况下,收缩近邻方法较大程度减少了计算量.     

带有缺失数据的广义半参数模型的均值借补估计

本文在响应变量随机缺失时, 给出了广义半参数模型中响应变量的2个均值拟似然借补估计.证明了它们具有渐近正态性, 给出了估计的渐近偏差与渐近方差, 并进行模拟比较.     

缺失数据下广义变系数模型的均值借补估计

本文在响应变量随机缺失时,给出广义变系数模型中响应变量的2个均值拟似然借补估计。证明了它们具有渐近正态性,并进行了模拟研究。     

随机插补下两线性模型中响应变量分位数差异的经验似然置信区间

设两个样本数据不完全的线性模型,其中协变量的观测值不缺失,响应变量的观测值随机缺失。采用随机回归插补法对响应变量的缺失值进行补足,得到两个线性回归模型的"完全"样本数据,在一定条件下得到两响应变量分位数差异的对数经验似然比统计量的极限分布为加权x_1~2,并利用此结果构造分位数差异的经验似然置信区间。模拟结果表明在随机插补下得到的置信区间具有较高的覆盖精度。     

响应变量随机缺失下的半参变系数模型的均值估计

在响应变量随机缺失时,研究了半参数变系数模型响应变量均值的借补估计.首先利用完整个体估计模型中的参数与非参数部分,然后再用借补方法与加权借补方法估计响应变量的均值.最后求出了估计的渐近偏差与渐近方差,研究了所得到的估计的渐近性质,并进行模拟比较.     

缺失数据的插补调整

插补是另一类对缺失数据进行调整 ,以减小估计偏差的方法。本文介绍的插补方法有 :演绎估计 ,均值插补 ,随机插补 ,回归插补和多重插补     

响应变量存在缺失时部分线性模型的经验似然推断

考虑响应变量带有缺失的部分线性模型,采用借补的思想,研究了参数部分和非参数部分的经验似然推断,证明了所提出的经验对数似然比统计量依分布收敛到χ2分布,由此构造参数部分和函数部分的置信域和逐点置信区间.对参数部分,模拟比较了经验似然与正态逼近方法;对函数部分,模拟了函数的逐点置信区间.     

不同差补方法的比较

本文针对缺失数据提出几种差补方法 ,通过模拟实验 ,考察文些方法的适用性及优缺点。结果表明 ,控制变量的恰当引入有利于提高估算效果。从与真值的拟合角度看 ,均值差补法有优势 ;而从保持样本分布的角度看 ,含有随机过程的差补法效果显著。在使用差补后的“完整”数据集时始终保持客观谨慎的态度是非常重要的。