برآورد واریانس برآوردگر کالیبره مجموع جامعه با مجموع جامعه کمکی نامعلوم

 به کارگیری متغیرهای کمکی برای اصلاح برآوردگرها روشی متداول در آمار و به خصوص بررسی های نمونه ای است. به عنوان مثال می توان به برآوردگرهای نسبتی و رگرسیونی در نمونه گیری اشاره کرد. با فرض معلوم بودن مجموع جامعه کمکی و برقرار بودن یک سری شرایط، برآوردگرهای کالیبره و واریانس آنها را می توان با استفاده از برآوردگرهای رگرسیونی تعمیم یافته به دست آورد. در این مقاله، با فرض نامعلوم بودن مجموع متغیر کمکی در جامعه، برآوردگر کل و واریانس آن در جامعه هدف با روش رگرسیون تعمیم یافته به دست آورده می شود. سپس نشان داده می شود برآوردگر ارائه شده برای مجموع کل جامعه از نظر کارایی بهتر از برآوردگر هورویتز تامپسون است. آنگاه نظریه به دست آمده با شبیه سازی به روش مونت کارلو زنجیر مارکوفی در طرح نمونه گیری طبقه بندی مورد بررسی قرار می گیرد.

کلیدواژه ها:

Generalized Regression Estimators ، Calibration Estimators ، Stratified Sampling ، MCMC Methods ، آماره کمکی ، برآوردگر رگرسیونی تعمیم یافته ، برآوردگرکالیبره ، برآورد واریانس ، واریانس مجانبی نمونه گیری طبقه بندی ، روش های مونت کارلوی زنجیره مارکوفی