简介《抽样调查理论与方法》第二版课后答案面向统计学、数学类专业学生以及需要运用抽样理论进行数据推断的学习者。文档依据冯士雍教材章节整理了参考答案涵盖随机原则、概率估计、总体与样本、抽样误差与置信区间、分层抽样、回归估计等主干知识点并以填空、单选、简答等形式给出解析可辅助研读教材和查漏补缺。压缩包内为1个doc文档大小192KB内容集中便于检索与打印。目前已有3231人在线学习适合备考及系统巩固抽样调查基础理论时对照使用。1. 课后答案不是终点抽样调查这门课真正在考你什么翻开《抽样调查理论与方法》第二版的人通常分两类统计类专业的本科生课内必修以及社会学、经济学、公共卫生方向的研究生用来补方法论短板。这门课不需要高深的数学推导但课后习题往往做一道错一道原因大多不是计算能力不够而是没理解每个公式背后的抽样设计意图。冯士雍这一版教材的编排特点是把「估计量怎么构造」和「方差怎么计算」深度糅合在一起课后题恰好就是从公式背诵过渡到设计思维的桥梁。在翻开任何答案之前先想清楚这门课真正要求你掌握的三件事目标量的无偏估计、方差估计的准确性、以及成本约束下的抽样方案取舍。课后答案只是验证工具不是学习目标本身。2. 教材框架拆解五种抽样设计的适用边界与公式脉络2.1 简单随机抽样一切复杂设计的起点与 FPC 陷阱大多数教材的第一章都是简单随机抽样冯著第二版也不例外。课后题中出现频率最高的是总体均值、总体总量的估计以及它们的方差估计。这类题目的陷阱通常不在公式本身而在「样本量 n 是否放回」以及「有限总体校正因子FPC」是否应该出现。我通常建议先把不放回简单随机抽样的两个核心公式写清楚总体均值估计量为 \bar{y} (1/n) * Σ y_i方差估计为 v(\bar{y}) (1 - n/N) * (s²/n)。其中 s² 是样本方差按除数 n-1 计算。很多同学在习题里把 s² 错用成总体方差 σ²或者忽略 FPC导致答案整体偏移。做这类题时我习惯先问自己题目给的是「有限总体」还是「无限总体」只有有限总体才需要乘 (1 - n/N)。课后题里还常出现「求样本量 n」的反推题给定允许误差 d 和置信水平 1-α先用 n₀ z² * σ² / d² 起步再对有限总体做校正 n n₀ / (1 n₀/N)。这个公式看起来简单但习题里经常故意不给你 σ²而是给一个历史试点调查的 s²这时候要直接把 s² 当作 σ² 代进去不必再做额外调整。这里的隐含逻辑是教材默认试点估计足够可靠可以充当总体方差的代理值。2.2 分层抽样加权是灵魂别把层权算成等权分层抽样的课后题核心考点是「按比例分配」和「最优分配」。很多人觉得分层抽样比简单随机抽样复杂是因为要额外处理层权 W_h N_h/N。最常见的错误是计算总体均值估计时把各层样本均值直接求平均而不是按层权加权。书中给出的分层均值估计量为 \bar{y}_st Σ W_h * \bar{y}_h方差估计为 v(\bar{y}_st) Σ W_h² * (1 - f_h) * s_h² / n_h。课后题经常要求比较分层抽样与简单随机抽样的精度差异。这种题的关键在于不能只算分层方差还要算同等样本量下简单随机抽样的方差做对比。有一个容易踩的坑简单随机抽样的方差需要用「层内方差的加权平均 层间方差」来分解表达很多同学直接用总体样本方差替代导致对比结论完全反转。正确的推导路径是先用方差分析恒等式把总体方差拆开再代入简单随机抽样的方差公式。对于 Neyman 最优分配公式是 n_h n * (N_h * S_h) / Σ(N_h * S_h)。注意这里用的是总体层标准差 S_h不是样本标准差 s_h。习题若只给了试点估计的 s_h同样直接代用但要在答案里注明这是近似处理否则和书末答案逐位对比时可能差一点。实际调查场景里你永远无法事先知道真实的 S_h只能用历史数据或小规模预调查来近似这正是教材习题与真实项目的关键区别。2.3 整群抽样与系统抽样群内相关系数与周期性的隐藏影响整群抽样的课后题通常以「每群规模相等」的简化形式出现偶尔也会涉及不等规模的情形。基本估计量为 \hat{Y} (N/n) * Σ M_i * \bar{y}_i其中 M_i 是第 i 群的规模。对于等规模群 M均值估计就是所有观测的简单平均方差估计会包含群间方差项。习题里最容易错的地方是把整群抽样的方差公式套用简单随机抽样的公式忽略了群内单元的相关性。系统抽样在教材中通常与整群抽样并列讨论。按随机起点等距抽取在总体单元随机排列时等价于简单随机抽样但在存在周期性的场景下方差可能剧增或骤减。课后题偶尔会出「比较系统抽样与简单随机抽样方差」的题目此时要用「系统样本的群内方差」与「总体方差」的关系推导。这里容易犯迷糊的点是系统抽样本质上是一种特殊的整群抽样随机起点对应着抽取一个群群的大小是样本量 n。理解这个对应关系后系统抽样的方差公式可以直接从整群抽样的框架中推导出来不需要单独记忆。2.4 比率估计与回归估计辅助变量引入后的方差结构变化这一章往往是全书的难点课后题目的区分度也最高。比率估计量为 \hat{\bar{Y}}_R (\bar{y}/\bar{x}) * \bar{X}回归估计量为 \hat{\bar{Y}}_reg \bar{y} b(\bar{X} - \bar{x})。课后习题常问什么时候比率估计优于简单估计理论答案是在 \bar{Y} 与 \bar{X} 大致成正比、且 y 与 x 的相关系数 ρ 较大时。具体判据是 ρ CV_x / (2 * CV_y)其中 CV 是变异系数。这个判据在实际做题时容易被忽略。很多同学算出相关系数高达 0.8 就急着下结论说比率估计更优却没有计算两个变异系数。当 CV_x 也很大时比率估计的增益会被辅助变量的波动抵消。回归估计的课后题麻烦在 b 的估计若 b 由样本计算方差估计公式里需要引入残差方差形式为 v(\hat{\bar{Y}}_reg) ≈ (1 - f)/n * s_e²其中 s_e² Σ(y_i - a - bx_i)² / (n-2)。习题中常见的错误是用 y 的总方差替代残差方差这会掩盖回归估计的精度增益使计算结果严重偏离正确值。3. 课后题的三类高频模式从套公式到设计决策3.1 模式一公式直接套用题的隐含条件识别第一类习题按章节排列基本是「给你一组数据求估计量及其方差」。表面简单但答案往往错在隐含条件没抓到。例如题目说「从 1000 个家庭中随机抽取 50 户调查月收入」那么 N1000、n50、f0.05。看似直接套公式即可但如果题目补充「抽样是按居委会整群抽取的」整个估计量和方差公式都要换一套。做这类题我有一套固定的读题流程先标出总体大小 N 和样本量 n然后判断抽样方式是放回还是不放回是否分层、整群或系统接着确认目标量是均值、总量、比例还是比率系数再写下对应的无偏估计量公式最后对应写出方差估计公式并逐项代入。按这个流程走绝大多数套公式题不会错。真正出错的人往往跳过第二步看到「随机抽取」就默认是简单随机抽样结果题目实际涉及两阶段设计。这类题还有一个常见的变体数据以频数表或分组表的形式给出。此时不能直接输入原始数据需要按组中值计算均值和方差。用组中值代替实际观测值会引入分组误差教材通常默认这个误差小到可忽略但书末答案会按组中值计算这一点务必保持一致。3.2 模式二设计比较题的完整决策路径第二类高频题型是「在不同抽样设计之间比较精度并给出选择建议」。课后题的典型问法给定总体分成若干层的各层容量与层内标准差问分层抽样比简单随机抽样能提高多少精度。这类题的解题路径是先算简单随机抽样的方差近似 V_srs ≈ σ²/n再算分层抽样的方差 V_st Σ W_h² * S_h² / n_h然后按 Neyman 公式计算最优分配下的样本量最后计算效率比 V_srs / V_st 作为精度提升倍数的量化指标。做题时有一个常见陷阱教材里简单随机抽样的方差用 σ²而分层抽样方差用 S_h²习题数据表通常只给各层的 S_h²不给总体 σ²。此时必须使用方差分解公式 σ² ≈ Σ W_h * S_h² Σ W_h * (\bar{Y}_h - \bar{Y})²。如果习题没有给出各层均值只有各层内部方差那就无法严格计算总体 σ²此时很多教材的习题设计会提供足够信息但偶尔也会省略导致与书末答案对不上。如果确实遇到信息不足你只能在答案中注明「基于层间方差为 0 的近似假设」再继续计算。这种做法在考试中通常给分因为阅卷看重的是方法路径而不是最终数字。但在真实项目中层间方差通常远大于层内方差忽略它会导致严重低估简单随机抽样的方差从而高估分层抽样的相对增益。3.3 模式三成本约束下的多阶段最优分配第三类题是带背景的应用题通常涉及调查成本、两阶段抽样和样本量分配。这类题在书中占比不高但期末几乎必考。典型题目是给定总预算 C初级抽样单元与次级抽样单元的单位调查成本不同求最优样本量分配。这是一道带约束的优化题解法是构造拉格朗日函数 L V(\hat{Y}) λ(c₁ * n₁ c₂ * n₁ * n₂ - C)对 n₁ 和 n₂ 分别求偏导并联立方程。很多同学卡在第一步不知道两阶段抽样的方差公式如何拆分。这里要把方差拆成初级单元间和初级单元内两部分V(\hat{Y}) ≈ (1-f₁)/n₁ * S₁² (1-f₂)/(n₁*n₂) * S₂²。求偏导时第一项只含 n₁第二项同时含 n₁ 和 n₂需要小心展开否则容易在代数化简中出错。这类题通常计算量大更容易犯符号错误。我建议每求一个偏导都写清楚中间过程再联立求最优解。最后得到的通常是一个关于 n₁ 和 n₂ 的整数解但实际计算常常出现小数此时需要四舍五入并检查预算约束是否仍然满足。舍入后如果超出预算通常调整 n₂ 而不是 n₁因为次级单元的单位成本较低调整后对精度的损失较小。4. 课后答案核对时的必查清单四个最容易翻车的环节4.1 数量级检查答案是否符合基本常识做完一道题先别急着翻书末答案。用常识做一次数量级检查如果总体均值是 5000 元算出来的方差是 10⁸标准差是 10000那并非不可能变异系数 200% 虽然偏高但不算离谱但如果你算出的标准差是 0.5那几乎可以断定哪里错了。大概率是把样本方差除以 n 而不是 n-1或者把 FPC 错误地平方了。数量级检查在抽样调查中比数学推导题更实用因为所有习题数据都来自真实场景的简化量纲混乱往往说明公式结构错了。我见过不少同学认真算了 15 分钟最后算出的收入单位变成「元²」这种结果即使数字能跟书末答案的某一位对上也不能信任。正确的做法是每算一步都带着单位确保最终结果的量纲与题目所问一致。4.2 边界条件测试极端取值下的公式退化验证每个估计量和方差公式都有边界条件检查答案时可以把 n1、Nn、p0 或 p1 代入看公式是否退化成了符合直觉的形式。举例来说当 n1 时s² 无法计算公式应该失效如果答案还能算出一个有限方差说明公式某处写错了当 nN 即普查时方差应为 0FPC 项 (1-n/N) 0 会自动实现这一点当 p0 时比例的方差应为 0当所有层均值相等时分层抽样方差应等于简单随机抽样方差。这个「退化测试」能快速暴露记错的公式。我自己做题时每次写完一个新公式都会先代入边界值验证通过后再代实际数据。这个习惯在考试中帮助很大因为考场上时间紧张时人容易顺着惯性往下算边界测试是成本最低的排错手段。注意这里的边界测试是检验公式结构不是为了算出某个具体答案所以不需要精确数值只需要看公式是否变为 0、无穷大或未定义等形式。4.3 估计量的符号与目标量转换把答案带回题目读一遍本书习题里另一种常见差错是估计量层面混淆。题目问总体总量你算的是均值题目问比例你算的是总数。这种错误与计算能力无关纯粹是读题阶段没有先写清目标量的定义式。核对答案的流程里必须有一条把最终答案带回题目问句读一遍。比如题目问「估计该地区拥有本科及以上学历的人数」答案应该是一个绝对量比如 12.5 万人如果你得到的是比例 0.25说明在最后一步忘了乘以总体大小 N。这是整本书最高频的丢分点之一几乎每年都有同学在这里扣分。解决方法是在读题之后立即写下目标量的记号比如「本题求 \hat{Y}总体总量不是 \hat{\bar{Y}}总体均值」然后在公式推导和代入的每一步都保持这个记号一致。到最终结果出现时如果发现数字的直观大小与题目背景不符再回头检查是否存在漏乘 N 的情况。4.4 舍入误差与中间步骤精度对不上书末答案时不要慌书末答案一般保留 2 到 3 位小数而计算器可能全程保留 6 位也可能你习惯每一步都四舍五入。每步舍入会让最终结果差出 1% 到 5%在方差估计这种大数字场景下最后几位对不上非常正常不代表你算错了。我一般建议中间过程至少保留 4 位有效数字只在最终结果处按题目要求的精度舍入。如果这样处理之后仍然与书末答案差在最后一位通常是教材使用了近似公式比如忽略 FPC 或使用大样本近似而你的计算用了精确公式此时要回头检查题目是否有「近似」「忽略」「约等于」等字样。还有一种情况是教材答案本身按某个特定简化路径计算比如直接用组中值而没有做 Sheppard 校正这类细节只能在反复对照中积累经验。5. 用代码验证课后答案R 与 Python 的实操对照5.1 R 语言最小可用的简单随机抽样验证脚本对课后题的小规模数据不需要加载统计包手写基础函数就够了。以下是一段我常用的简单随机抽样均值与方差估计验证代码注释里标出关键参数# 简单随机抽样均值与方差估计验证 srs_estimate - function(sample_data, N) { n - length(sample_data) y_bar - mean(sample_data) s2 - var(sample_data) # R 的 var() 默认除数为 n-1即样本方差 fpc - 1 - n / N # 有限总体校正因子 v_y_bar - fpc * s2 / n # 均值估计量的方差 se_y_bar - sqrt(v_y_bar) # 均值估计量的标准误 # 总体总量估计及其方差、标准误 Y_hat - N * y_bar v_Y_hat - N^2 * v_y_bar se_Y_hat - sqrt(v_Y_hat) return(list( n n, y_bar y_bar, se_mean se_y_bar, total_est Y_hat, se_total se_Y_hat )) } # 示例N 1000样本观测向量 sample_data - c(320, 450, 280, 510, 390, 410, 355, 480, 295, 430) result - srs_estimate(sample_data, N 1000) print(result)逻辑说明R 的 var() 函数默认使用 n-1 作为除数恰好对应样本方差 s²不需要额外调整。代码把 FPC 单独计算并乘入方差公式返回均值估计、均值标准误、总量估计和总量标准误四项便于与书末答案逐项对照。总量估计的标准误是均值标准误的 N 倍这个倍数关系也是验证公式结构是否正确的快速检查点。参数说明N 必须是总体大小不是样本大小。如果题目说明「与 N 相比 n 很小可忽略 FPC」把 fpc 改为 1 即可。代码中 sample_data 是向量如果你的习题数据以频数表形式给出需要先展开为原始观测向量再传入或者改用加权均值函数。5.2 Python分层抽样估计的分步实现分层抽样的验证代码需要按层聚合。以下代码按层输入数据和总体层容量输出分层均值估计和方差关键点是ddof1这个参数import numpy as np def stratified_estimate(layer_data, layer_N): 分层抽样均值估计与方差计算 参数: layer_data: dict, 键为层编号, 值为该层样本观测值的列表 layer_N: dict, 键为层编号, 值为该层总体单元数 返回: y_st: 分层均值估计 se_st: 分层均值估计的标准误 total_N sum(layer_N.values()) W, y_bar_h, s2_h, n_h {}, {}, {}, {} for h in layer_data: arr np.array(layer_data[h]) n_h[h] len(arr) y_bar_h[h] arr.mean() s2_h[h] arr.var(ddof1) # 样本方差, 除数 n-1 W[h] layer_N[h] / total_N # 分层均值点估计 y_st sum(W[h] * y_bar_h[h] for h in layer_data) # 分层方差估计: 层权平方 * FPC * 层内样本方差 / 层样本量 v_st sum( W[h] ** 2 * (1 - n_h[h] / layer_N[h]) * s2_h[h] / n_h[h] for h in layer_data ) se_st np.sqrt(v_st) return y_st, se_st # 示例: 两层总体, 第一层 200 户, 第二层 800 户 layer_data { 1: [52, 48, 55, 49, 51, 53], 2: [72, 68, 75, 70, 71, 69, 74, 73] } layer_N {1: 200, 2: 800} y_st, se_st stratified_estimate(layer_data, layer_N) print(f分层均值估计: {y_st:.3f}) print(f标准误: {se_st:.3f})逻辑说明numpy 的arr.var(ddof1)是关键ddof是自由度修正参数ddof0计算总体方差ddof1才是样本方差。很多 Python 初学者在这里翻车忘记设置ddof1导致每层的 s² 系统性偏小最终方差估计整体偏小。代码中的方差求和部分严格对应教材公式 Σ W_h² * (1-f_h) * s_h²/n_h。参数说明代码假设各层样本量就是layer_data[h]的长度。如果题目要求按比例分配样本量需要先在各层随机抽取对应数量的样本再构造layer_data。比例分配后 n_h 可能不是整数教材通常建议四舍五入到最近整数但要留意四舍五入后总样本量可能略偏离设计值。5.3 代码结果与手算不一致时的排查顺序代码不是万能的课后题验证场景里代码的价值在于快速重算、避免计算器按错、以及调试公式结构。但代码无法替你判断「该用比率估计还是回归估计」这类设计选择问题。我习惯的做法是先用代码算一版完整结果再手动抽查一个中间量比如某一层的均值或方差与手算对比。如果中间量一致而最终结果不一致问题出在汇总公式如果中间量就不一致问题出在数据录入或除数选择。判断代码是否可信的最直接方法准备一个小样本数据手算一遍完整流程两边完全对上之后再用于课后题。这样做过一次你才对代码的正确性建立真正的信任之后几十道题的批量验证才有意义。如果代码结果始终与书末答案差几个百分点优先检查数据录入然后用 R 和 Python 各算一遍做交叉验证。6. 把课后答案变成方法论反推作者出题逻辑的三个问题课后答案最大的价值不在「知道这道题的最终数字」而在让你反推教材作者的出题逻辑。我辅导过的某同学曾问为什么书里很多题设计得「刚好能算」现实调查里的数据却永远没有这么规整这个问题的答案恰好是学习这门课的关键。课后题剔除了现实中的大量噪声和缺失数据只保留抽样设计本身的数学结构所以题目才显得「干净」。因此做完每一道题你都应该能回答三个问题这个设计在什么现实条件下会被采用如果数据不满足理想条件估计量会怎么偏成本增加一倍精度能换回多少我把每章习题按这三个问题重新过了一遍之后形成了一套课后复盘流程。先不看答案把题目的抽样方式、目标量、估计公式列在一张表里然后对照书末答案只看最终数字是否一致最后问自己如果 N、n、层的划分换一组数字答案的结构会不会发生变化。能通过这套流程的题才算是真正吸收了。在实际项目里这套能力比任何公式背诵都管用。统计咨询场景中经常遇到的情况是预算只够做一次调查历史数据残缺不全各层的方差估计只能靠猜。那些能从一份不完美的抽样数据里给出诚实、可用的估计并清晰说明误差边界的人靠的从来不是记忆而是踩过足够的坑、对过足够多的答案后形成的那种「哪里不对劲」的直觉。我至今保留着每个课后题的复盘笔记哪道题第一次算错了、错在哪个环节、对应什么概念盲区都记在里面。希望这本书的课后答案也能帮你少踩一些我当年踩过的坑。希望帮到你。本文还有配套的精品资源点击获取
简介《抽样调查理论与方法》第二版课后答案面向统计学、数学类专业学生以及需要运用抽样理论进行数据推断的学习者。文档依据冯士雍教材章节整理了参考答案涵盖随机原则、概率估计、总体与样本、抽样误差与置信区间、分层抽样、回归估计等主干知识点并以填空、单选、简答等形式给出解析可辅助研读教材和查漏补缺。压缩包内为1个doc文档大小192KB内容集中便于检索与打印。目前已有3231人在线学习适合备考及系统巩固抽样调查基础理论时对照使用。1. 课后答案不是终点抽样调查这门课真正在考你什么翻开《抽样调查理论与方法》第二版的人通常分两类统计类专业的本科生课内必修以及社会学、经济学、公共卫生方向的研究生用来补方法论短板。这门课不需要高深的数学推导但课后习题往往做一道错一道原因大多不是计算能力不够而是没理解每个公式背后的抽样设计意图。冯士雍这一版教材的编排特点是把「估计量怎么构造」和「方差怎么计算」深度糅合在一起课后题恰好就是从公式背诵过渡到设计思维的桥梁。在翻开任何答案之前先想清楚这门课真正要求你掌握的三件事目标量的无偏估计、方差估计的准确性、以及成本约束下的抽样方案取舍。课后答案只是验证工具不是学习目标本身。2. 教材框架拆解五种抽样设计的适用边界与公式脉络2.1 简单随机抽样一切复杂设计的起点与 FPC 陷阱大多数教材的第一章都是简单随机抽样冯著第二版也不例外。课后题中出现频率最高的是总体均值、总体总量的估计以及它们的方差估计。这类题目的陷阱通常不在公式本身而在「样本量 n 是否放回」以及「有限总体校正因子FPC」是否应该出现。我通常建议先把不放回简单随机抽样的两个核心公式写清楚总体均值估计量为 \bar{y} (1/n) * Σ y_i方差估计为 v(\bar{y}) (1 - n/N) * (s²/n)。其中 s² 是样本方差按除数 n-1 计算。很多同学在习题里把 s² 错用成总体方差 σ²或者忽略 FPC导致答案整体偏移。做这类题时我习惯先问自己题目给的是「有限总体」还是「无限总体」只有有限总体才需要乘 (1 - n/N)。课后题里还常出现「求样本量 n」的反推题给定允许误差 d 和置信水平 1-α先用 n₀ z² * σ² / d² 起步再对有限总体做校正 n n₀ / (1 n₀/N)。这个公式看起来简单但习题里经常故意不给你 σ²而是给一个历史试点调查的 s²这时候要直接把 s² 当作 σ² 代进去不必再做额外调整。这里的隐含逻辑是教材默认试点估计足够可靠可以充当总体方差的代理值。2.2 分层抽样加权是灵魂别把层权算成等权分层抽样的课后题核心考点是「按比例分配」和「最优分配」。很多人觉得分层抽样比简单随机抽样复杂是因为要额外处理层权 W_h N_h/N。最常见的错误是计算总体均值估计时把各层样本均值直接求平均而不是按层权加权。书中给出的分层均值估计量为 \bar{y}_st Σ W_h * \bar{y}_h方差估计为 v(\bar{y}_st) Σ W_h² * (1 - f_h) * s_h² / n_h。课后题经常要求比较分层抽样与简单随机抽样的精度差异。这种题的关键在于不能只算分层方差还要算同等样本量下简单随机抽样的方差做对比。有一个容易踩的坑简单随机抽样的方差需要用「层内方差的加权平均 层间方差」来分解表达很多同学直接用总体样本方差替代导致对比结论完全反转。正确的推导路径是先用方差分析恒等式把总体方差拆开再代入简单随机抽样的方差公式。对于 Neyman 最优分配公式是 n_h n * (N_h * S_h) / Σ(N_h * S_h)。注意这里用的是总体层标准差 S_h不是样本标准差 s_h。习题若只给了试点估计的 s_h同样直接代用但要在答案里注明这是近似处理否则和书末答案逐位对比时可能差一点。实际调查场景里你永远无法事先知道真实的 S_h只能用历史数据或小规模预调查来近似这正是教材习题与真实项目的关键区别。2.3 整群抽样与系统抽样群内相关系数与周期性的隐藏影响整群抽样的课后题通常以「每群规模相等」的简化形式出现偶尔也会涉及不等规模的情形。基本估计量为 \hat{Y} (N/n) * Σ M_i * \bar{y}_i其中 M_i 是第 i 群的规模。对于等规模群 M均值估计就是所有观测的简单平均方差估计会包含群间方差项。习题里最容易错的地方是把整群抽样的方差公式套用简单随机抽样的公式忽略了群内单元的相关性。系统抽样在教材中通常与整群抽样并列讨论。按随机起点等距抽取在总体单元随机排列时等价于简单随机抽样但在存在周期性的场景下方差可能剧增或骤减。课后题偶尔会出「比较系统抽样与简单随机抽样方差」的题目此时要用「系统样本的群内方差」与「总体方差」的关系推导。这里容易犯迷糊的点是系统抽样本质上是一种特殊的整群抽样随机起点对应着抽取一个群群的大小是样本量 n。理解这个对应关系后系统抽样的方差公式可以直接从整群抽样的框架中推导出来不需要单独记忆。2.4 比率估计与回归估计辅助变量引入后的方差结构变化这一章往往是全书的难点课后题目的区分度也最高。比率估计量为 \hat{\bar{Y}}_R (\bar{y}/\bar{x}) * \bar{X}回归估计量为 \hat{\bar{Y}}_reg \bar{y} b(\bar{X} - \bar{x})。课后习题常问什么时候比率估计优于简单估计理论答案是在 \bar{Y} 与 \bar{X} 大致成正比、且 y 与 x 的相关系数 ρ 较大时。具体判据是 ρ CV_x / (2 * CV_y)其中 CV 是变异系数。这个判据在实际做题时容易被忽略。很多同学算出相关系数高达 0.8 就急着下结论说比率估计更优却没有计算两个变异系数。当 CV_x 也很大时比率估计的增益会被辅助变量的波动抵消。回归估计的课后题麻烦在 b 的估计若 b 由样本计算方差估计公式里需要引入残差方差形式为 v(\hat{\bar{Y}}_reg) ≈ (1 - f)/n * s_e²其中 s_e² Σ(y_i - a - bx_i)² / (n-2)。习题中常见的错误是用 y 的总方差替代残差方差这会掩盖回归估计的精度增益使计算结果严重偏离正确值。3. 课后题的三类高频模式从套公式到设计决策3.1 模式一公式直接套用题的隐含条件识别第一类习题按章节排列基本是「给你一组数据求估计量及其方差」。表面简单但答案往往错在隐含条件没抓到。例如题目说「从 1000 个家庭中随机抽取 50 户调查月收入」那么 N1000、n50、f0.05。看似直接套公式即可但如果题目补充「抽样是按居委会整群抽取的」整个估计量和方差公式都要换一套。做这类题我有一套固定的读题流程先标出总体大小 N 和样本量 n然后判断抽样方式是放回还是不放回是否分层、整群或系统接着确认目标量是均值、总量、比例还是比率系数再写下对应的无偏估计量公式最后对应写出方差估计公式并逐项代入。按这个流程走绝大多数套公式题不会错。真正出错的人往往跳过第二步看到「随机抽取」就默认是简单随机抽样结果题目实际涉及两阶段设计。这类题还有一个常见的变体数据以频数表或分组表的形式给出。此时不能直接输入原始数据需要按组中值计算均值和方差。用组中值代替实际观测值会引入分组误差教材通常默认这个误差小到可忽略但书末答案会按组中值计算这一点务必保持一致。3.2 模式二设计比较题的完整决策路径第二类高频题型是「在不同抽样设计之间比较精度并给出选择建议」。课后题的典型问法给定总体分成若干层的各层容量与层内标准差问分层抽样比简单随机抽样能提高多少精度。这类题的解题路径是先算简单随机抽样的方差近似 V_srs ≈ σ²/n再算分层抽样的方差 V_st Σ W_h² * S_h² / n_h然后按 Neyman 公式计算最优分配下的样本量最后计算效率比 V_srs / V_st 作为精度提升倍数的量化指标。做题时有一个常见陷阱教材里简单随机抽样的方差用 σ²而分层抽样方差用 S_h²习题数据表通常只给各层的 S_h²不给总体 σ²。此时必须使用方差分解公式 σ² ≈ Σ W_h * S_h² Σ W_h * (\bar{Y}_h - \bar{Y})²。如果习题没有给出各层均值只有各层内部方差那就无法严格计算总体 σ²此时很多教材的习题设计会提供足够信息但偶尔也会省略导致与书末答案对不上。如果确实遇到信息不足你只能在答案中注明「基于层间方差为 0 的近似假设」再继续计算。这种做法在考试中通常给分因为阅卷看重的是方法路径而不是最终数字。但在真实项目中层间方差通常远大于层内方差忽略它会导致严重低估简单随机抽样的方差从而高估分层抽样的相对增益。3.3 模式三成本约束下的多阶段最优分配第三类题是带背景的应用题通常涉及调查成本、两阶段抽样和样本量分配。这类题在书中占比不高但期末几乎必考。典型题目是给定总预算 C初级抽样单元与次级抽样单元的单位调查成本不同求最优样本量分配。这是一道带约束的优化题解法是构造拉格朗日函数 L V(\hat{Y}) λ(c₁ * n₁ c₂ * n₁ * n₂ - C)对 n₁ 和 n₂ 分别求偏导并联立方程。很多同学卡在第一步不知道两阶段抽样的方差公式如何拆分。这里要把方差拆成初级单元间和初级单元内两部分V(\hat{Y}) ≈ (1-f₁)/n₁ * S₁² (1-f₂)/(n₁*n₂) * S₂²。求偏导时第一项只含 n₁第二项同时含 n₁ 和 n₂需要小心展开否则容易在代数化简中出错。这类题通常计算量大更容易犯符号错误。我建议每求一个偏导都写清楚中间过程再联立求最优解。最后得到的通常是一个关于 n₁ 和 n₂ 的整数解但实际计算常常出现小数此时需要四舍五入并检查预算约束是否仍然满足。舍入后如果超出预算通常调整 n₂ 而不是 n₁因为次级单元的单位成本较低调整后对精度的损失较小。4. 课后答案核对时的必查清单四个最容易翻车的环节4.1 数量级检查答案是否符合基本常识做完一道题先别急着翻书末答案。用常识做一次数量级检查如果总体均值是 5000 元算出来的方差是 10⁸标准差是 10000那并非不可能变异系数 200% 虽然偏高但不算离谱但如果你算出的标准差是 0.5那几乎可以断定哪里错了。大概率是把样本方差除以 n 而不是 n-1或者把 FPC 错误地平方了。数量级检查在抽样调查中比数学推导题更实用因为所有习题数据都来自真实场景的简化量纲混乱往往说明公式结构错了。我见过不少同学认真算了 15 分钟最后算出的收入单位变成「元²」这种结果即使数字能跟书末答案的某一位对上也不能信任。正确的做法是每算一步都带着单位确保最终结果的量纲与题目所问一致。4.2 边界条件测试极端取值下的公式退化验证每个估计量和方差公式都有边界条件检查答案时可以把 n1、Nn、p0 或 p1 代入看公式是否退化成了符合直觉的形式。举例来说当 n1 时s² 无法计算公式应该失效如果答案还能算出一个有限方差说明公式某处写错了当 nN 即普查时方差应为 0FPC 项 (1-n/N) 0 会自动实现这一点当 p0 时比例的方差应为 0当所有层均值相等时分层抽样方差应等于简单随机抽样方差。这个「退化测试」能快速暴露记错的公式。我自己做题时每次写完一个新公式都会先代入边界值验证通过后再代实际数据。这个习惯在考试中帮助很大因为考场上时间紧张时人容易顺着惯性往下算边界测试是成本最低的排错手段。注意这里的边界测试是检验公式结构不是为了算出某个具体答案所以不需要精确数值只需要看公式是否变为 0、无穷大或未定义等形式。4.3 估计量的符号与目标量转换把答案带回题目读一遍本书习题里另一种常见差错是估计量层面混淆。题目问总体总量你算的是均值题目问比例你算的是总数。这种错误与计算能力无关纯粹是读题阶段没有先写清目标量的定义式。核对答案的流程里必须有一条把最终答案带回题目问句读一遍。比如题目问「估计该地区拥有本科及以上学历的人数」答案应该是一个绝对量比如 12.5 万人如果你得到的是比例 0.25说明在最后一步忘了乘以总体大小 N。这是整本书最高频的丢分点之一几乎每年都有同学在这里扣分。解决方法是在读题之后立即写下目标量的记号比如「本题求 \hat{Y}总体总量不是 \hat{\bar{Y}}总体均值」然后在公式推导和代入的每一步都保持这个记号一致。到最终结果出现时如果发现数字的直观大小与题目背景不符再回头检查是否存在漏乘 N 的情况。4.4 舍入误差与中间步骤精度对不上书末答案时不要慌书末答案一般保留 2 到 3 位小数而计算器可能全程保留 6 位也可能你习惯每一步都四舍五入。每步舍入会让最终结果差出 1% 到 5%在方差估计这种大数字场景下最后几位对不上非常正常不代表你算错了。我一般建议中间过程至少保留 4 位有效数字只在最终结果处按题目要求的精度舍入。如果这样处理之后仍然与书末答案差在最后一位通常是教材使用了近似公式比如忽略 FPC 或使用大样本近似而你的计算用了精确公式此时要回头检查题目是否有「近似」「忽略」「约等于」等字样。还有一种情况是教材答案本身按某个特定简化路径计算比如直接用组中值而没有做 Sheppard 校正这类细节只能在反复对照中积累经验。5. 用代码验证课后答案R 与 Python 的实操对照5.1 R 语言最小可用的简单随机抽样验证脚本对课后题的小规模数据不需要加载统计包手写基础函数就够了。以下是一段我常用的简单随机抽样均值与方差估计验证代码注释里标出关键参数# 简单随机抽样均值与方差估计验证 srs_estimate - function(sample_data, N) { n - length(sample_data) y_bar - mean(sample_data) s2 - var(sample_data) # R 的 var() 默认除数为 n-1即样本方差 fpc - 1 - n / N # 有限总体校正因子 v_y_bar - fpc * s2 / n # 均值估计量的方差 se_y_bar - sqrt(v_y_bar) # 均值估计量的标准误 # 总体总量估计及其方差、标准误 Y_hat - N * y_bar v_Y_hat - N^2 * v_y_bar se_Y_hat - sqrt(v_Y_hat) return(list( n n, y_bar y_bar, se_mean se_y_bar, total_est Y_hat, se_total se_Y_hat )) } # 示例N 1000样本观测向量 sample_data - c(320, 450, 280, 510, 390, 410, 355, 480, 295, 430) result - srs_estimate(sample_data, N 1000) print(result)逻辑说明R 的 var() 函数默认使用 n-1 作为除数恰好对应样本方差 s²不需要额外调整。代码把 FPC 单独计算并乘入方差公式返回均值估计、均值标准误、总量估计和总量标准误四项便于与书末答案逐项对照。总量估计的标准误是均值标准误的 N 倍这个倍数关系也是验证公式结构是否正确的快速检查点。参数说明N 必须是总体大小不是样本大小。如果题目说明「与 N 相比 n 很小可忽略 FPC」把 fpc 改为 1 即可。代码中 sample_data 是向量如果你的习题数据以频数表形式给出需要先展开为原始观测向量再传入或者改用加权均值函数。5.2 Python分层抽样估计的分步实现分层抽样的验证代码需要按层聚合。以下代码按层输入数据和总体层容量输出分层均值估计和方差关键点是ddof1这个参数import numpy as np def stratified_estimate(layer_data, layer_N): 分层抽样均值估计与方差计算 参数: layer_data: dict, 键为层编号, 值为该层样本观测值的列表 layer_N: dict, 键为层编号, 值为该层总体单元数 返回: y_st: 分层均值估计 se_st: 分层均值估计的标准误 total_N sum(layer_N.values()) W, y_bar_h, s2_h, n_h {}, {}, {}, {} for h in layer_data: arr np.array(layer_data[h]) n_h[h] len(arr) y_bar_h[h] arr.mean() s2_h[h] arr.var(ddof1) # 样本方差, 除数 n-1 W[h] layer_N[h] / total_N # 分层均值点估计 y_st sum(W[h] * y_bar_h[h] for h in layer_data) # 分层方差估计: 层权平方 * FPC * 层内样本方差 / 层样本量 v_st sum( W[h] ** 2 * (1 - n_h[h] / layer_N[h]) * s2_h[h] / n_h[h] for h in layer_data ) se_st np.sqrt(v_st) return y_st, se_st # 示例: 两层总体, 第一层 200 户, 第二层 800 户 layer_data { 1: [52, 48, 55, 49, 51, 53], 2: [72, 68, 75, 70, 71, 69, 74, 73] } layer_N {1: 200, 2: 800} y_st, se_st stratified_estimate(layer_data, layer_N) print(f分层均值估计: {y_st:.3f}) print(f标准误: {se_st:.3f})逻辑说明numpy 的arr.var(ddof1)是关键ddof是自由度修正参数ddof0计算总体方差ddof1才是样本方差。很多 Python 初学者在这里翻车忘记设置ddof1导致每层的 s² 系统性偏小最终方差估计整体偏小。代码中的方差求和部分严格对应教材公式 Σ W_h² * (1-f_h) * s_h²/n_h。参数说明代码假设各层样本量就是layer_data[h]的长度。如果题目要求按比例分配样本量需要先在各层随机抽取对应数量的样本再构造layer_data。比例分配后 n_h 可能不是整数教材通常建议四舍五入到最近整数但要留意四舍五入后总样本量可能略偏离设计值。5.3 代码结果与手算不一致时的排查顺序代码不是万能的课后题验证场景里代码的价值在于快速重算、避免计算器按错、以及调试公式结构。但代码无法替你判断「该用比率估计还是回归估计」这类设计选择问题。我习惯的做法是先用代码算一版完整结果再手动抽查一个中间量比如某一层的均值或方差与手算对比。如果中间量一致而最终结果不一致问题出在汇总公式如果中间量就不一致问题出在数据录入或除数选择。判断代码是否可信的最直接方法准备一个小样本数据手算一遍完整流程两边完全对上之后再用于课后题。这样做过一次你才对代码的正确性建立真正的信任之后几十道题的批量验证才有意义。如果代码结果始终与书末答案差几个百分点优先检查数据录入然后用 R 和 Python 各算一遍做交叉验证。6. 把课后答案变成方法论反推作者出题逻辑的三个问题课后答案最大的价值不在「知道这道题的最终数字」而在让你反推教材作者的出题逻辑。我辅导过的某同学曾问为什么书里很多题设计得「刚好能算」现实调查里的数据却永远没有这么规整这个问题的答案恰好是学习这门课的关键。课后题剔除了现实中的大量噪声和缺失数据只保留抽样设计本身的数学结构所以题目才显得「干净」。因此做完每一道题你都应该能回答三个问题这个设计在什么现实条件下会被采用如果数据不满足理想条件估计量会怎么偏成本增加一倍精度能换回多少我把每章习题按这三个问题重新过了一遍之后形成了一套课后复盘流程。先不看答案把题目的抽样方式、目标量、估计公式列在一张表里然后对照书末答案只看最终数字是否一致最后问自己如果 N、n、层的划分换一组数字答案的结构会不会发生变化。能通过这套流程的题才算是真正吸收了。在实际项目里这套能力比任何公式背诵都管用。统计咨询场景中经常遇到的情况是预算只够做一次调查历史数据残缺不全各层的方差估计只能靠猜。那些能从一份不完美的抽样数据里给出诚实、可用的估计并清晰说明误差边界的人靠的从来不是记忆而是踩过足够的坑、对过足够多的答案后形成的那种「哪里不对劲」的直觉。我至今保留着每个课后题的复盘笔记哪道题第一次算错了、错在哪个环节、对应什么概念盲区都记在里面。希望这本书的课后答案也能帮你少踩一些我当年踩过的坑。希望帮到你。本文还有配套的精品资源点击获取
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
