论文部分内容阅读
当样本个体较易排序且花费较少时,相较于简单随机抽样(SRS),排序集抽样(RSS)是一种更为精确有效的抽样手段,它常结合一些传统优良的估计方法来估计总体均值或总体方差。在平衡的配置下,RSS比SRS的估计效率更高,而在某些非平衡的配置下,其估计效率比平衡配置下的RSS又有所提高。当总体分布是对称分布的情形时,Kaur, Patil and Taillie(2000)给出了估计总体均值的最优配置(方便表示简称KPT配置),该配置仅抽取中位数统计量或者最大、最小次序统计量进行实际测量,其估计效率远优于Neyman配置,而Neeraj Tiwari and Girja ShankarPandey(2012)给出了估计总体均值的线性配置,认为虽然KPT配置估计效率最高,但是KPT配置忽略了绝大部分的个体而只关注极少量的个体,其用于估计的样本往往不够充分。 按照次序统计量的方差随其秩变化而变化的情况,可将对称分布分为两类,分别为“山型”对称分布和“U型”对称分布,本文在KPT配置与线性配置的基础上,针对此两类对称分布,提出了一个非线性配置模型,并在此配置下,给出了总体均值的最优线性无偏估计量,同时,也给出了与在简单随机抽样下样本均值的相对效率。最后,数值比较了各配置(平衡配置、Neyman配置、KPT配置、线性配置、非线性配置)下总体均值估计的相对效率。