一种基于模拟与辅助信息的人口方差估计新方法：理论、效率验证与实践应用

《Scientific Reports》：Simulation based new method for population variance using auxiliary information

为解决传统人口方差估计器在有限样本或异质群体中效率不足的问题，研究人员开展了一项针对利用辅助信息提升方差估计效率的主题研究。他们提出了一种基于模拟的新估计器，通过理论推导与数值模拟验证，证实该估计器在均方误差（MSE）和相对效率（PRE）上均优于传统无偏估计器及其他辅助变量估计方法，尤其在研究变量与辅助变量相关性较强时表现突出。该研究为调查抽样理论提供了方法学补充，并为农业、经济学等领域的精确决策提供了实用工具。

　　

在农业、经济学和社会科学等领域，精确的决策往往依赖于对人口方差的准确估计。方差作为衡量数据离散程度的核心参数，直接影响着样本量计算、置信区间构建和假设检验的可靠性。然而，在现实调查中，传统的方差估计方法——尤其是在简单随机抽样（SRSWOR）下使用的无偏样本方差估计器——常面临效率不足的困境。当样本量较小或群体结构不均匀时，这些估计器的波动性较大，导致估计精度下降。尽管已有研究尝试利用辅助信息（如与研究变量高度相关的已知总体参数的变量）来提升均值估计的效率，但在方差估计中系统性地整合辅助信息的研究仍相对匮乏。现有基于辅助信息的方差估计器（如比率、乘积和回归型估计器）多依赖于线性近似和渐近性质，在中等相关性、非线性关系或复杂总体结构中的适用性有限。此外，这些估计器在有限样本下的表现如何，往往缺乏通过大规模模拟研究进行的全面评估。为了填补这一空白，本研究旨在开发一种结合理论推导与模拟验证的新型方差估计器，以充分利用辅助信息，提升估计效率，为调查抽样实践提供更稳健、灵活的工具。

本研究主要采用了理论推导与模拟验证相结合的方法。首先，在简单随机抽样（SRSWOR）框架下，定义了研究变量（Y）和辅助变量（X）的总体方差与样本方差，并引入误差项进行近似分析。其次，通过一阶近似推导了所提出估计器的偏倚（Bias）和均方误差（MSE）表达式，并利用优化技术确定了估计器中的最优参数U_1(Opt)和U_2(Opt)。为评估性能，研究使用了三个真实数据集（涵盖家庭食品支出与收入、学校教师与学生数量、昆虫实验数据）和模拟生成的三个双变量正态分布总体，在不同样本量、相关系数和总体结构下，比较了新估计器与多种现有估计器（包括常规无偏估计器、比率估计器、回归估计器、Bahl & Tuteja指数型估计器、Upadhyaya & Singh估计器及Kadilar & Cingi系列估计器）的MSE和百分比相对效率（PRE）。

现有估计器

研究回顾了七类常用的基于辅助信息的总体方差估计器，包括常规无偏估计器、Isaki (1983)的比率估计器、回归估计器、Bahl & Tuteja (1991)的指数型估计器、Upadhyaya & Singh (1999)的估计器以及Kadilar & Cingi (2006)的三个改进估计器，并给出了它们在一阶近似下的偏倚和MSE公式。

提出的估计器

受Ahmad等(2023)启发，本研究提出了一种新的模拟辅助估计器，其表达式整合了样本方差、辅助信息及指数调整项。通过误差展开和期望运算，推导了该估计器的偏倚和MSE，并通过求导得到了最小化MSE的最优参数。

理论比较

通过代数推导，证明了在所有考虑的场景下，所提出估计器的MSE均小于或等于所有现有估计器的MSE，表明其在理论上具有一致优越性。

数值研究

基于三个真实数据集的测算显示，新估计器在所有情况下均取得了最低的MSE和最高的PRE。例如，在Population-I中，其MSE为0.04177，远低于常规估计器的0.22918；PRE达到243.82，意味着效率提升至常规方法的约2.4倍。

模拟研究

从三个不同相关系数的双变量正态总体中生成数据并进行重复抽样模拟。结果一致表明，新估计器在三种模拟总体中均保持最低的MSE和最高的PRE。例如，在总体I（高正相关）中，其MSE为0.04177，PRE高达548.62，显著优于所有对比估计器。

讨论

数值和模拟结果均证实，所提出的估计器能有效利用辅助信息，显著降低估计的均方误差，提升相对效率。该估计器在多种总体结构和相关性强弱下均表现稳健，特别在研究变量与辅助变量高度相关时，效率增益尤为突出。这为解决传统方差估计方法在小样本或异质群体中的效率瓶颈提供了强有力的方案。

结论

本研究提出了一种基于模拟和辅助信息的改进型总体方差估计器。理论分析和广泛的数值实验（包括真实数据和模拟数据）均表明，该估计器在均方误差和相对效率上均优于现有的主流估计器。它成功地将辅助信息系统性地整合到方差估计中，弥补了传统方法在有限样本和复杂总体结构下的不足。该研究不仅丰富了调查抽样理论，也为农业、经济学、社会科学等领域的实际调查提供了一种更精确、更可靠的方差估计工具。未来研究方向包括将该方法扩展到分层抽样、系统抽样等更复杂的抽样设计，探索多辅助变量情形，以及在实际大规模调查数据中验证其应用价值。论文发表于《Scientific Reports》期刊。