MerQuR+Başvuru Kitabı

208. Ağırlık kalibrasyonu, raking ve sonradan tabakalama

Şablon kimliği: kalibrasyon_raking · Kategori: anket · Dil: R · Dosya: pro/sablonlar/anket/kalibrasyon_raking.R (satır 1–273; üstbilgi 1–107) · Örnek veri: _ornek/apiclus1.csv · Paketler: survey 4.5

208.1 Ne işe yarar

Şablon, bir anket örnekleminin tasarım ağırlıklarını (her birimin örneğe girme olasılığının tersi) nüfus hakkında bilinen toplamlara uyduracak biçimde düzeltir ve düzeltilmiş ağırlıklarla hedef değişkenlerin ortalama ve toplamlarını kestirir. Cevapladığı soru şudur: "Örneklemimin yardımcı değişkenleri (okul türü, daha önceki bir ölçüm, cinsiyet) nüfustaki bilinen toplamları tutturmuyor; ağırlıkları nasıl ayarlarsam hem bu toplamları tutarım hem de hedef değişkenin kestirimi daha kesin olur?" Dört yöntem sunar:

  • Doğrusal kalibrasyon (GREG; genelleştirilmiş bağlanım kestirimi): ağırlık, yardımcı değişkenlerin doğrusal işlevi kadar çarpılır. Sayısal ve kategorik yardımcı değişkenler birlikte kullanılabilir.
  • Sınırlı lojit kalibrasyon: düzeltme çarpanı g_i=w_i/w_{0i} seçilen [\text{alt},\text{üst}] aralığında tutulur.
  • Raking (yinelemeli oransal uydurma): yalnız kategorik değişkenler; her değişkenin düzey toplamı (marjinal toplam) sırayla tutturulur, ortak (çaprazlanmış) hücre toplamları bilinmesi gerekmez.
  • Sonradan tabakalama: tek kategorik değişken; her düzeyin ağırlıkları o düzeyin nüfus sayısına ölçeklenir.

Doğrusal kalibrasyon için model, tasarım ağırlığı w_{0i} ve yardımcı değişken vektörü \mathbf x_i ile

w_i=w_{0i}\,g_i,\qquad g_i=1+\mathbf x_i^{\top}\hat{\boldsymbol\lambda},\qquad \sum_{i\in s}w_i\,\mathbf x_i=\mathbf T_x
  • s: örneklem; i: birim. \mathbf x_i: sabit terim (1) ve yardımcı değişkenler (kategorik değişken düzey göstergelerine açılır).
  • w_{0i}: tasarım ağırlığı; w_i: kalibre edilmiş ağırlık; g_i: düzeltme çarpanı.
  • \mathbf T_x: yardımcı değişkenlerin nüfus toplamları vektörü (sabit terim için nüfus büyüklüğü N).
  • \hat{\boldsymbol\lambda}: ağırlıkların kalibrasyon denklemini sağlamasını sağlayan kestirim (208.4).

Ne zaman kullanılır? Örneklem tasarımı bellidir ve nüfus için güvenilir (sayım ya da idari kayıt) toplamlar vardır; yardımcı değişken hedef değişkenle ilişkiliyse kesinlik artar (okul örneğinde api99 ile api00); yanıtsızlık ya da çerçeve eksikliği örneklemi nüfusa göre eğrilttiyse bu eğrilik düzeltilir.

Ne zaman kullanılmaz?

  • Ağırlıklar hesaplanmamışsa ve yalnız örnek seçimi planlanıyorsa: orneklem_secimi (Bölüm 210) tasarım ağırlıklarını (1/π) üretir.
  • Hedef, alanların örneği çok küçük olduğu için alan düzeyinde kestirimse: kucuk_alan (Bölüm 209).
  • Eksik değer atamak istiyorsanız (yanıt eksiği, birim yanıtsızlığı değil): sicak_deste (Bölüm 211) ya da temel programdaki Multiple Imputation.
  • Kalibre edilmiş ağırlıklarla bağlanım ya da oran/ortalama dışında bir model kurulacaksa: temel programın Survey Reg. ve Survey Logistic analizleri (yalnız verilen ağırlıkları kullanır; aşağıya bakınız).
  • Yardımcı değişkenin nüfus toplamı bilinmiyorsa kalibrasyon yapılamaz; nüfus toplamı örnekten kestirilmişse ağırlıkları kalibre etmek varyansı yanlış küçültür.

Temel programla ilişki. Temel programda karmaşık anket analizleri vardır: Weighted Mean (Survey Means), Weighted Frequency (Survey Freq), Weighted Total (Survey Total), Weighted Linear Regression (Survey Reg.) ve Weighted Logistic Regression (Survey Logistic) (gui/panels/stats_panel.py:303–308; stats/survey_design.py). Bunlar ağırlık, tabaka, küme ve sonlu nüfus düzeltmesi sütunlarını alır; Taylor doğrusallaştırması ya da yineleme ağırlıklarıyla (jackknife, BRR, Fay, bootstrap) SH verir. Fakat ağırlıkları kalibre etmez: kalibrasyon, raking ve sonradan tabakalama (calibrat, rake, postStratify karşılığı) temel programda yoktur. Bu şablon, temel programın "Survey Means / Survey Total" analizinin yaptığı ortalama ve toplam kestirimini, kalibrasyondan önce ve sonra yan yana verir; kalibre edilmiş ağırlıkları ise ayrıca birim düzeyinde tablo olarak verir (satir, w0, w, g; satir Veri sekmesindeki satır numarasıdır). Temel programın analizlerinde ağırlık olarak kullanmak için bu tablodaki w sütununu satır numarasıyla veriye eşleyin. Bir fark: temel program Taylor varyansını tasarım ağırlıklarıyla hesaplar; bu şablon kalibre ağırlıkla ve kalibrasyon kalıntılarıyla (208.4.4) hesaplar, dolayısıyla SH daha küçük çıkabilir.

208.2 Şablonun girdileri

Form, üstbilgideki on dört [[param]] bloğundan kurulur (kalibrasyon_raking.R:10–106).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Hedef değişkenler · hedef sayısal sütunlar · Değişkenler boş (en az 1) sayısal sütunlar Ortalama ve toplamı kestirilecek değişkenler (113, 252–257); sayısal değilse hata (131).
Tasarım ağırlığı · agirlik sayısal sütun · Değişkenler boş pozitif sayılar w_0 (129); \le 0 ise hata (130).
Küme / birincil örnekleme birimi · kume kategorik sütun · Değişkenler boş (isteğe bağlı) herhangi sütun svydesign(ids = ~küme) (184, 188).
Tabaka · tabaka kategorik sütun · Değişkenler boş (isteğe bağlı) herhangi sütun strata (185, 188).
Sonlu nüfus düzeltmesi · fpc sayısal sütun · Değişkenler boş (isteğe bağlı) tabakadaki ya da kümelerin toplam sayısı fpc (186, 188).
Ayar yöntemi · yontem seçim · Model dogrusal dogrusal, lojit, raking, sonradan Yöntem dalı (199, 224, 227).
Kalibrasyon (yardımcı) değişkenleri · kal_degisken sütunlar · Değişkenler boş (en az 1) sayısal ya da kategorik \mathbf x (114, 191, 151–165).
Nüfus toplamları · nufus metin · Model boş N=…; x=…; kat:a=…,b=… Nüfus toplamları (134–150); boşsa hata (135).
g alt sınırı · alt ondalık · Seçenekler 0,5 0–1 Lojit ve sınırlı doğrusal (218–222).
g üst sınırı · ust ondalık · Seçenekler 2 1–100 Lojit ve sınırlı doğrusal (218–222).
Doğrusal kalibrasyonda g oranlarını sınırla · dogrusal_sinirla onay · Model kapalı açık / kapalı Doğrusal kalibrasyonda da sınır (220–222).
Yakınsamasa da ağırlıkları döndür · zorla onay · Gelişmiş kapalı açık / kapalı force = TRUE (216).
En çok yineleme · en_cok_yineleme tamsayı · Gelişmiş 0 0–100000 0: kalibrasyonda 50, raking'de 100 (214, 226).
Yakınsama toleransı · tolerans ondalık · Gelişmiş 0 0–0,01 0: kalibrasyonda 10^{-7}, raking'de 10^{-10} (215, 226).

Örnek ayar (ornek_param, satır 9): hedef = [api00, enroll], agirlik = pw, kume = dnum, fpc = fpc, yontem = dogrusal, kal_degisken = [api99], nufus = "N=6194; api99=3914069". Tabaka boştur.

Nüfus toplamları metni. Öğeler ; ile ayrılır (136). N=6194 nüfus büyüklüğü, api99=3914069 sayısal değişkenin nüfus toplamı, stype:E=4421,H=755,M=1018 kategorik değişkenin düzey sayılarıdır (139–149). Ondalık ayırıcı nokta olmalıdır: 3914069,5 "Sayı okunamadı" hatası verir (138). Kategorik değişkenin düzey adları verideki değerlerle birebir aynı olmalıdır (156–158).

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde örneklem verisini açın." 111
Eksiksiz gözlem <5 "En az 5 tam gözlem gerekli." 120
Ağırlık \le 0 "Tasarım ağırlıkları pozitif olmalı." 122
Hedef sayısal değil "Hedef değişken '…' sayısal olmalı." 123
nufus boş "Nüfus toplamlarını girin …" 127
Sayı okunamıyor "Sayı okunamadı: '…'" 130
x: düzeysiz "'…' için düzey=sayı biçimi gerekli." 135
Anlaşılmayan öğe "Anlaşılmayan öğe: '…'" 138
Kategorik değişkene toplam girilmemiş "Kategorik kalibrasyon değişkeni '…' için düzey toplamlarını girin" 147
Nüfus toplamı verilmemiş düzey var "'…' değişkeninde nüfus toplamı verilmemiş düzey var: …" 149
Bir düzey örneklemde yok "… bazı düzeyleri örneklemde yok; kalibrasyon yapılamaz." 151
Raking/sonradan ile sayısal değişken "Raking ve sonradan tabakalama yalnız kategorik değişkenlerle yapılır" 153
Sayısal değişken için toplam yok "Sayısal kalibrasyon değişkeni '…' için nüfus toplamını girin" 154
Sabit sayısal değişken "'…' sabit; kalibrasyon değişkenlerinden çıkarın." 155
Sonradan tabakalamada \ne 1 değişken "Sonradan tabakalamada tek bir kategorik değişken seçin." 159
Tasarım kurulamadı "Örnekleme tasarımı kurulamadı: …" 166
N= yok (doğrusal/lojit) "Nüfus büyüklüğünü 'N=…' olarak girin." 177
Terim için toplam yok "'…' terimi için nüfus toplamı bulunamadı." 183
Doğrusal bağımlı yardımcılar "Kalibrasyon değişkenleri doğrusal bağımlı." 185
Sınırlar uygun değil "…alt sınır 1'den küçük, üst sınır 1'den büyük olmalı." 191, 194
Ayar başarısız "Ağırlık ayarı yapılamadı: …" (paket iletisi) 170
Ağırlık sonlu değil "Ayarlı ağırlıklar sonlu değil; kalibrasyon yakınsamadı." 205

208.3 Örnek veri

apiclus1.csv: Kaliforniya okul başarı endeksi (Academic Performance Index, API) verisinin tek aşamalı küme örneklemesi (survey paketi api verisi; Lumley, 2010). 15 okul bölgesi (dnum) rastgele seçilmiş, seçilen bölgelerin tüm okulları alınmıştır: 183 okul, eksik değer yok. Bölge sayısı nüfusta 757'dir (fpc), tasarım ağırlığı bütün satırlarda aynıdır (6194/183=33{,}846996).

Değişken Rol Tür (veri sekmesi) Özet
api00 hedef sayısal 2000 yılı API; örnek ortalaması 644,17
enroll hedef sayısal öğrenci sayısı; örnek ortalaması 549,72
pw tasarım ağırlığı sayısal 33,846996 (sabit)
dnum küme sayısal 15 bölge
fpc sonlu nüfus düzeltmesi sayısal 757 (bölge sayısı)
api99 kalibrasyon sayısal 1999 yılı API; nüfus toplamı 3 914 069
stype kalibrasyon kategorik okul türü: E (ilkokul) 144, H (lise) 14, M (ortaokul) 25 satır; nüfus 4421 / 755 / 1018
sch.wide kalibrasyon ikili (metin) okul geneli hedefi: Yes / No; nüfus 5122 / 1072

Düzey sırası. Veri sekmesi stype'ı "kategorik" sayar (ilk görülme sırası: H, E, M); bu şablon düzey sırasını nufus metnindeki yazım sırasından kurar (156), yani stype:E=…,H=…,M=… yazılırsa sıra E, H, M olur. Doğrusal kalibrasyonda ilk düzey sabit terime gömüldüğünden sıra düzey göstergelerinin adlandırmasını değiştirir; ağırlıklar ve kestirimler değişmez. sch.wide iki düzeyli metin sütunu olduğundan R'ye metin olarak gider ve yine nüfus metnindeki sırayla kurulur.

Bölümde kullanılan çalıştırmalar (dogrulama/kalibrasyon_raking/isler.py):

Ad Veri Ayar
kr_ornek apiclus1 örnek ayar (doğrusal, api99)
kr_lojit apiclus1 lojit, g aralığı [0,5; 2]
kr_karma apiclus1 doğrusal; api99 + stype
kr_raking apiclus1 raking; stype, sch.wide
kr_sonradan apiclus1 sonradan; stype
kr_sinirli_dogrusal apiclus1 doğrusal, dogrusal_sinirla, aralık [0,7; 1,4]
kr_tabakali… apistrat (200 okul, tabakalı; tabaka stype; fpc) doğrusal, karma, lojit, raking, sonradan
kr_h_… apiclus1 uç ve hata durumları (208.8)

Şablonun hiçbir adımı rastgele sayı üretmez; sonuçlar tohumdan bağımsızdır. Kod panelindeki isteğe bağlı Tohum alanı (ortak bölüm 1.3) bu şablonda sonucu değiştirmez; alan boşsa atanan tohum yalnız künyeye yazılır.

208.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) veri ve nüfus toplamları ayrıştırılır; (2) survey::svydesign ile tasarım nesnesi kurulur (nest = TRUE, 188); (3) seçilen yönteme göre calibrate, rake ya da postStratify ağırlıkları düzeltir (199–230); (4) ağırlık özeti, yardımcı toplam denetimi ve hedef değişkenlerin ayar öncesi/sonrası ortalama ve toplamları yazılır (238–263).

208.4.1 Doğrusal kalibrasyon (GREG)

Amaç, tasarım ağırlıklarına mümkün olduğunca yakın kalarak \sum w_i\mathbf x_i=\mathbf T_x koşulunu sağlamaktır. w_i, w_{0i}'ye uzaklığı \sum_i (w_i-w_{0i})^2/(2w_{0i}) en küçük olacak biçimde seçilirse çözüm kapalıdır:

\hat{\boldsymbol\lambda}=\Bigl(\sum_{i\in s}w_{0i}\,\mathbf x_i\mathbf x_i^{\top}\Bigr)^{-1}\Bigl(\mathbf T_x-\sum_{i\in s}w_{0i}\,\mathbf x_i\Bigr),\qquad w_i=w_{0i}\bigl(1+\mathbf x_i^{\top}\hat{\boldsymbol\lambda}\bigr)
  • \sum_i w_{0i}\mathbf x_i\mathbf x_i^{\top}: tasarım ağırlıklı çapraz çarpım matrisi (p\times p, p = sabit + yardımcı terim sayısı).
  • \mathbf T_x-\sum_i w_{0i}\mathbf x_i: nüfus toplamı ile tasarım ağırlıklı örnek toplamı arasındaki açıklık.
  • \hat{\boldsymbol\lambda}: Lagrange çarpanları vektörü; g_i=1+\mathbf x_i^\top\hat{\boldsymbol\lambda}.

Neden bu uzaklık?

Deville ve Särndal (1992) kalibrasyon kestiricilerini "tasarım ağırlıklarına en yakın, kalibrasyon denklemini sağlayan ağırlıklar" olarak tanımlar. Kareli uzaklık \sum(w-w_0)^2/w_0 seçildiğinde kestirici, hedef değişkenin yardımcı değişkenlere ağırlıklı bağlanımının GREG kestiricisine eşittir (Särndal ve ark., 1992). Bu yüzden ek bir varsayım gerekmez: yardımcı değişken hedefle ilişkiliyse kesinlik artar, ilişkisizse ağırlıklar değişir ama SH azalmaz.

Koddaki tercih

calibrate(tas, ~api99, population = c("(Intercept)" = N, api99 = T), …) (219–223). population vektörü model matrisinin sütun sırasıyla kurulur (200–211); sayısal değişken doğrudan toplamıyla, kategorik değişkenin her düzey göstergesi o düzeyin sayısıyla eşlenir. Doğrusal bağımlı yardımcılar qr ile yakalanır (212). Yineleme ve tolerans yalnız sınırlı seçeneklerde anlamlıdır; kapalı çözümde yineleme gerekmez.

208.4.2 Sınırlı kalibrasyon

Doğrusal çözüm g_i\le 0 ya da çok büyük çarpanlar üretebilir. Sınırlı yöntemde g_i\in[L,U] (L<1<U) olacak biçimde g(u) işlevi seçilir; lojit biçimi

g_i=\frac{L(U-1)+U(1-L)\,e^{A\,\mathbf x_i^\top\boldsymbol\lambda}}{(U-1)+(1-L)\,e^{A\,\mathbf x_i^\top\boldsymbol\lambda}},\qquad A=\frac{U-L}{(1-L)(U-1)}

ve \boldsymbol\lambda, \sum_i w_{0i}\,g_i\,\mathbf x_i=\mathbf T_x denkleminin Newton yöntemiyle çözümüdür (Deville ve Särndal, 1992).

  • L, U: formdaki alt ve ust; g_i her zaman (L,U) aralığındadır.
  • A: işlevin \mathbf x^\top\boldsymbol\lambda=0 noktasında g=1 ve eğim 1 olmasını sağlayan ölçek sabiti.

Neden L<1<U koşulu?

g=1 "ağırlığı değiştirme" anlamına gelir; aralık 1'i içermiyorsa hiçbir ağırlık değişmeden kalamaz ve işlev tanımsızdır. Şablon bu koşulu sınar (218, 221).

dogrusal_sinirla açıksa doğrusal kalibrasyon da aynı aralığa kısıtlanır (calfun = "linear", 193–195): sınırlı doğrusal kalibrasyon ağırlıkları [L,U] dışına çıkarmaz, sınırlara dayandırır (örnek çalıştırma kr_sinirli_dogrusal: g en küçük 0{,}7, en büyük 1{,}4). Sınır dar ya da nüfus toplamlarıyla uyumsuzsa çözüm yoktur (208.8).

208.4.3 Raking ve sonradan tabakalama

Sonradan tabakalama. Tek kategorik değişkenin düzeyi k için, nüfus sayısı N_k ise

w_i=w_{0i}\,\frac{N_k}{\sum_{j\in s_k}w_{0j}}\quad (i\in s_k)
  • s_k: k. düzeyde yer alan örnek birimleri; N_k: o düzeyin nüfus sayısı.
  • Kalibre ağırlıkların düzey toplamı tam N_k olur; düzey içi ağırlıklar orantılı kalır.

Raking birden çok kategorik değişkenin yalnız marjinal toplamlarını bilirken kullanılır. Her değişken için sırayla yukarıdaki oransal ölçekleme yapılır ve tüm marjinler birlikte tutulana kadar yinelenir (iteratif oransal uydurma; Deming ve Stephan, 1940). Yineleme, ağırlıklardaki değişim tolerans altına inene ya da en_cok_yineleme dolana kadar sürer (226); varsayılanlar 10^{-10} ve 100'dür. Sonuç, düzeltme çarpanının g_i=\exp(\mathbf x_i^\top\boldsymbol\lambda) biçiminde alındığı üstel (çarpımsal) kalibrasyonun çözümüne eşdeğerdir (Deville ve ark., 1993); lojit işlevi L\to0, U\to\infty ile bu biçime yaklaşır.

Neden raking?

Çaprazlanmış hücre toplamları (okul türü × okul geneli hedefi) bilinmediğinde sonradan tabakalama kullanılamaz; yalnız iki marjinal tablo (sayım ya da idari kayıtlardan) bilinir. Raking bu bilgiyi kullanır; her yinelemede marjinlerden biri tutulur, sonuç ağırlıkların tasarım ağırlıklarına "çarpımsal" uzaklığını en küçük yapar.

208.4.4 Ayarlı ağırlıkla kestirim ve varyans

Ortalama \hat{\bar y}=\sum w_iy_i/\sum w_i, toplam \hat t=\sum w_iy_i. Taylor varyansı kalıntı yöntemiyle hesaplanır (survey paketinin kalibrasyon uygulaması): kalıntı e_i=y_i-\mathbf x_i^{\top}\hat{\mathbf B}, \hat{\mathbf B}=(\sum w_{0i}\mathbf x_i\mathbf x_i^\top)^{-1}\sum w_{0i}\mathbf x_iy_i, ve z_i=w_ie_i olmak üzere tabaka h ve küme c için

\hat V(\hat t)=\sum_{h}(1-f_h)\,\frac{n_h}{n_h-1}\sum_{c\in h}\bigl(z_{hc}-\bar z_h\bigr)^2,\qquad \widehat{\mathrm{SH}}(\hat{\bar y})=\frac{\sqrt{\hat V}}{\sum_i w_i}
  • z_{hc}=\sum_{i\in c}z_i: kümenin kalıntı toplamı; \bar z_h: tabakadaki ortalaması; n_h: tabakadaki küme sayısı.
  • f_h=n_h/F_h: sonlu nüfus düzeltmesi, F_h = fpc sütunundaki değer (küme sayısı ya da kümesiz tasarımda tabakadaki birim sayısı).
  • Kalıntı, kalibrasyon değişkenlerine bağlanımın artığıdır: yardımcı değişkenle açıklanan değişim varyanstan çıkar.

Neden kalıntı?

Kalibre kestirici bağlanım kestiricisidir; değişkenliği bağlanım artıklarının değişkenliğidir. Bu yüzden yardımcı değişkeni hedefle güçlü ilişkili olan çalıştırmada SH keskin düşer (api00 için 23,54 → 3,30), ilişkisiz olanda neredeyse değişmez (stype: 23,70).

Raking ve sonradan tabakalamada kalıntı, aynı yinelemeli izdüşümle (survey paketinde 10 yineleme) hesaplanır; bağımsız hesapta da 10 yineleme kullanıldı.

Çıktıda "ayar öncesi" kestirimler tasarım ağırlığıyla ve kalibrasyonsuz Taylor varyansıyla (svymean(fh, tas), 254) verilir. Aralarındaki fark hem düzeltmenin etkisini hem de kesinlik kazancını gösterir.

208.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
108–111 İki dilli ileti işlevi .m; survey yüklenir; veri denetimi. Arayüz dili mq_dil ile gelir.
112–131 Hedef, kalibrasyon ve tasarım sütunları toplanır; complete.cases ile eksik değerli satırlar çıkarılır; ağırlık ve hedef denetimi. Çıkarılan satır sayısı ve sütunlara göre dağılımı not olarak yazılır (118–126); kalan satırların Veri sekmesi numaraları satir_no'da tutulur.
133–150 nufus metni ayrıştırılır: N, sayısal toplamlar ve kategorik düzey sayıları. Ondalık virgül reddedilir (138).
151–165 Her kalibrasyon değişkeni sayısal ya da kategorik sayılır; kategorik düzey sırası nufus'tan kurulur; eksik düzey, sabit değişken ve yöntem uyumu denetlenir. Kategorik: character, factor, logical.
166–180 Marjinal toplamların tutarlılığı: raking'de kategorik değişkenlerin düzey toplamları göreli 10^{-6} içinde eşit değilse çalıştırma durur; N verilmişse ve düzey toplamlarının toplamından farklıysa not yazılır. Raking ve sonradan tabakalamada N hesapta kullanılmaz; doğrusal kalibrasyonda ilk (başvuru) düzeyin toplamı kullanılmaz, N eksi öteki düzeyler alınır.
184–189 Tasarım nesnesi: ids (küme ya da ~1), strata, fpc, weights = ~.w0, nest = TRUE. nest = TRUE: küme kodları tabaka içinde anlamlıdır.
190–198 Kalibrasyon formülü; uyarıları toplayan kos işlevi. Uyarılar çıktının sonunda tek satır olarak yazılır (268). Paket hatası "missing value where…", "Calibration failed" gibi bir iletiyse hata iletisine olası neden (sınırlar nüfus toplamlarıyla bağdaşmıyor; yineleme sayısı yetersiz) eklenir (193–197).
199–223 Doğrusal ve lojit: model matrisi, population vektörü (terim eşleme), sıra denetimi, calibrate. Terim eşleme ters tırnaklı ve düz adları dener (207–208).
224–226 Raking: marjinal tablolar data.frame(düzey, Freq) olarak verilir, rake. Marjinler arası tutarlılık 166–180'de denetlenir.
227–230 Sonradan tabakalama: postStratify. Tek değişken.
231–237 Ağırlıklar, g=w/w_0, değişim katsayısı. Sonlu olmayan ağırlıkta durur (232); sıfır ya da negatif ağırlık varsa durdurmadan uyarı yazılır (234–236).
238–242 İlk çıktı satırı ve Ağırlık özeti tablosu. Yöntem adı arayüz dilinde yazılır (doğrusal (GREG), sınırlı lojit, raking, sonradan tabakalama).
243–250 Yardımcı toplamların denetimi: ayarlı ağırlıklarla toplam, nüfus toplamı ve fark. Kalibrasyonun tuttuğunu gösterir.
251–258 Her hedef için ayar öncesi/sonrası ortalama, toplam ve SH. svymean/svytotal; sonrası kalibre tasarımla.
259–263 Kategorik değişkenlerin ayarlı düzey toplamları ve SH'leri. Raking'de tutulan marjinlerin SH'si 0'dır.
264–267 Ayarlı birim ağırlıkları tablosu (satir, w0, w, g). Tablo en çok 5000 satır gösterir; n>5000 ise bunu söyleyen bir not yazılır (265–266).
268–272 Uyarı satırı; tasarım ve ayarlı ağırlık serpilme grafiği. Köşegen w=w_0.

208.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız hesaplar dogrulama/kalibrasyon_raking/elle_hesap.py (numpy/scipy: doğrusal denklem çözümü, lojit için fsolve, raking için yineleme; survey ve şablon kodu çağrılmaz) ve r_dogrulama.R (yalnız temel R) ile yapılmıştır.

Adım 1 — Tasarım toplamları. \sum w_0=6194{,}000324 (183 × 33,846996), \sum w_0\,\text{api99}=3\,759\,622{,}81. Nüfus toplamları 6194 ve 3 914 069'dur; açıklık (-0{,}000324;\ 154\,446{,}19).

Adım 2 — \hat{\boldsymbol\lambda}. \mathbf A=\sum w_0\mathbf x\mathbf x^\top=\begin{pmatrix}6194{,}0003&3{,}759623\cdot10^{6}\\3{,}759623\cdot10^{6}&2{,}360460\cdot10^{9}\end{pmatrix}; \hat{\boldsymbol\lambda}=(-1{,}19495968;\ 0{,}0019687). Böylece g_i=-1{,}19496+0{,}0019687\cdot\text{api99}_i ve g en küçük 0{,}523617, en büyük 1{,}557186; kalibre ağırlıklar 17{,}7229–52{,}7061. Kontrol: \sum w=6194{,}0000, \sum w\cdot\text{api99}=3\,914\,069{,}0000.

Adım 3 — Kestirim. \hat{\bar y}_{\text{api00}}=666{,}717736 (ayar öncesi 644{,}169399).

Adım 4 — Kalıntı varyansı. Bağlanım katsayıları \hat{\mathbf B}=(95{,}28483;\ 0{,}904291). 15 bölge için kalıntı toplamları z_c en küçük -8322{,}59 (13. bölge), en büyük 11\,894{,}38 (9. bölge); toplamları 0'dır (sabit terim kalibre edildiğinden \sum_c z_c=0, \bar z=0). Sonlu nüfus düzeltmesi 1-15/757=0{,}980185; \hat V=0{,}980185\cdot\dfrac{15}{14}\sum(z_c-\bar z)^2=416\,759\,419{,}58; \widehat{\mathrm{SH}}(\hat t)=20\,414{,}686; \widehat{\mathrm{SH}}(\hat{\bar y})=20\,414{,}686/6194=3{,}295881 (survey vinyetindeki 3,2959 ile aynı).

Adım 5 — Öteki yöntemler. Lojit için Newton çözümü \hat{\bar y}=666{,}781885 (SH 3{,}285260); raking (apiclus1; stype, sch.wide) 641{,}230321 (SH 23{,}703617); sonradan tabakalama (stype) 642{,}310788 (23{,}920486). Tabakalı örneklem (apistrat; tabaka stype, fpc tabaka birim sayısı) için aynı kalıntı yöntemi: doğrusal 664{,}644 (SH 1{,}903).

208.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
apiclus1 doğrusal (api99): ağırlık toplamı 6194 6194 6194 1,2e−15 ✓
apiclus1 doğrusal (api99): en küçük ağırlık 17,72285853 17,72285853 17,72285853 7,0e−15 ✓
apiclus1 doğrusal (api99): en büyük ağırlık 52,7060654 52,7060654 52,7060654 1,9e−15 ✓
apiclus1 doğrusal (api99): ağırlık değişim katsayısı 0,22216888 0,22216888 0,22216888 1,3e−15 ✓
apiclus1 doğrusal (api99): g en küçük 0,52361688 0,52361688 0,52361688 3,4e−15 ✓
apiclus1 doğrusal (api99): g en büyük 1,5571859 1,5571859 1,5571859 5,7e−16 ✓
apiclus1 doğrusal (api99): api00 ortalama (sonra) 666,71773625 666,71773625 666,71773625 1,7e−16 ✓
apiclus1 doğrusal (api99): api00 toplam (sonra) 4,129650·106 4,129650·106 4,129650·106 1,1e−15 ✓
apiclus1 doğrusal (api99): api00 SH ortalama (sonra) 3,29588091 3,29588091 3,29588091 3,0e−15 ✓
apiclus1 doğrusal (api99): api00 SH toplam (sonra) 20414,6863699 20414,6863699 20414,6863699 1,5e−14 ✓
apiclus1 doğrusal (api99): enroll ortalama (sonra) 542,03617179 542,03617179 542,03617179 2,1e−16 ✓
apiclus1 doğrusal (api99): enroll toplam (sonra) 3,357372·106 3,357372·106 3,357372·106 6,9e−16 ✓
apiclus1 doğrusal (api99): enroll SH ortalama (sonra) 39,2681929 39,2681929 39,2681929 2,5e−15 ✓
apiclus1 doğrusal (api99): enroll SH toplam (sonra) 2,432272·105 2,432272·105 2,432272·105 4,1e−15 ✓
apiclus1 doğrusal (api99): api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓
yayımlanmış: api00 ortalaması (vinyet 666,72) 666,71773625 666,717736 — 3,8e−10 ✓
apiclus1 sınırlı lojit [0,5; 2]: ağırlık toplamı 6194,00000003 6194 — 4,4e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: en küçük ağırlık 21,36910892 21,36910892 — 1,4e−11 ✓
apiclus1 sınırlı lojit [0,5; 2]: en büyük ağırlık 54,56457698 54,56457698 — 7,7e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: ağırlık değişim katsayısı 0,2238249 0,2238249 — 6,6e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: g en küçük 0,63134432 0,63134432 — 8,9e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: g en büyük 1,6120951 1,6120951 — 7,7e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: api00 ortalama (sonra) 666,78188485 666,78188485 — 9,8e−13 ✓
apiclus1 sınırlı lojit [0,5; 2]: api00 toplam (sonra) 4,130047·106 4,130047·106 — 3,4e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: api00 SH ortalama (sonra) 3,28525984 3,28525984 — 2,6e−13 ✓
apiclus1 sınırlı lojit [0,5; 2]: api00 SH toplam (sonra) 20348,8994272 20348,89942712 — 4,1e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: enroll ortalama (sonra) 540,74734946 540,74734946 — 5,9e−13 ✓
apiclus1 sınırlı lojit [0,5; 2]: enroll toplam (sonra) 3,349389·106 3,349389·106 — 4,9e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: enroll SH ortalama (sonra) 38,8780153 38,8780153 — 1,6e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: enroll SH toplam (sonra) 2,408104·105 2,408104·105 — 5,9e−12 ✓
apiclus1 sınırlı lojit [0,5; 2]: api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓
apiclus1 doğrusal (api99 + stype): ağırlık toplamı 6194 6194 6194 4,4e−16 ✓
apiclus1 doğrusal (api99 + stype): en küçük ağırlık 14,16809752 14,16809752 14,16809752 1,2e−14 ✓
apiclus1 doğrusal (api99 + stype): en büyük ağırlık 62,05152514 62,05152514 62,05152514 1,4e−15 ✓
apiclus1 doğrusal (api99 + stype): ağırlık değişim katsayısı 0,30179624 0,30179624 0,30179624 1,8e−15 ✓
apiclus1 doğrusal (api99 + stype): g en küçük 0,41859246 0,41859246 0,41859246 5,3e−15 ✓
apiclus1 doğrusal (api99 + stype): g en büyük 1,83329488 1,83329488 1,83329488 0 ✓
apiclus1 doğrusal (api99 + stype): api00 ortalama (sonra) 665,30907117 665,30907117 665,30907117 1,7e−16 ✓
apiclus1 doğrusal (api99 + stype): api00 toplam (sonra) 4,120924·106 4,120924·106 4,120924·106 0 ✓
apiclus1 doğrusal (api99 + stype): api00 SH ortalama (sonra) 3,44175312 3,44175312 3,44175312 3,0e−15 ✓
apiclus1 doğrusal (api99 + stype): api00 SH toplam (sonra) 21318,21880301 21318,21880301 21318,21880301 1,5e−14 ✓
apiclus1 doğrusal (api99 + stype): enroll ortalama (sonra) 587,42124703 587,42124703 587,42124703 5,8e−16 ✓
apiclus1 doğrusal (api99 + stype): enroll toplam (sonra) 3,638487·106 3,638487·106 3,638487·106 2,6e−16 ✓
apiclus1 doğrusal (api99 + stype): enroll SH ortalama (sonra) 62,24159305 62,24159305 62,24159305 9,1e−16 ✓
apiclus1 doğrusal (api99 + stype): enroll SH toplam (sonra) 3,855244·105 3,855244·105 3,855244·105 1,2e−15 ✓
apiclus1 doğrusal (api99 + stype): api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓
apiclus1 raking (stype, sch.wide): ağırlık toplamı 6194 6194 6194 0 ✓
apiclus1 raking (stype, sch.wide): en küçük ağırlık 29,87067549 29,87067549 29,87067549 1,9e−12 ✓
apiclus1 raking (stype, sch.wide): en büyük ağırlık 67,12552924 67,12552924 67,12552924 1,0e−12 ✓
apiclus1 raking (stype, sch.wide): ağırlık değişim katsayısı 0,22790464 0,22790464 0,22790464 2,3e−12 ✓
apiclus1 raking (stype, sch.wide): g en küçük 0,88252072 0,88252072 0,88252072 1,7e−12 ✓
apiclus1 raking (stype, sch.wide): g en büyük 1,98320491 1,98320491 1,98320491 1,0e−12 ✓
apiclus1 raking (stype, sch.wide): api00 ortalama (sonra) 641,23032093 641,23032093 641,23032093 3,1e−14 ✓
apiclus1 raking (stype, sch.wide): api00 toplam (sonra) 3,971781·106 3,971781·106 3,971781·106 3,1e−14 ✓
apiclus1 raking (stype, sch.wide): api00 SH ortalama (sonra) 23,70361689 23,70361689 — 2,8e−13 ✓
apiclus1 raking (stype, sch.wide): api00 SH toplam (sonra) 1,468202·105 1,468202·105 — 2,7e−13 ✓
apiclus1 raking (stype, sch.wide): enroll ortalama (sonra) 588,8408376 588,8408376 588,8408376 1,5e−12 ✓
apiclus1 raking (stype, sch.wide): enroll toplam (sonra) 3,647280·106 3,647280·106 3,647280·106 1,5e−12 ✓
apiclus1 raking (stype, sch.wide): enroll SH ortalama (sonra) 64,67601822 64,67601822 — 3,6e−13 ✓
apiclus1 raking (stype, sch.wide): enroll SH toplam (sonra) 4,006033·105 4,006033·105 — 3,6e−13 ✓
apiclus1 raking (stype, sch.wide): api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓
apiclus1 sonradan tabakalama (stype): ağırlık toplamı 6194 6194 6194 0 ✓
apiclus1 sonradan tabakalama (stype): en küçük ağırlık 30,70138889 30,70138889 30,70138889 3,5e−16 ✓
apiclus1 sonradan tabakalama (stype): en büyük ağırlık 53,92857143 53,92857143 53,92857143 6,6e−16 ✓
apiclus1 sonradan tabakalama (stype): ağırlık değişim katsayısı 0,1989358 0,1989358 0,1989358 1,9e−16 ✓
apiclus1 sonradan tabakalama (stype): g en küçük 0,90706391 0,90706391 0,90706391 5,6e−16 ✓
apiclus1 sonradan tabakalama (stype): g en büyük 1,5933045 1,5933045 1,5933045 1,8e−15 ✓
apiclus1 sonradan tabakalama (stype): api00 ortalama (sonra) 642,31078821 642,31078821 642,31078821 0 ✓
apiclus1 sonradan tabakalama (stype): api00 toplam (sonra) 3,978473·106 3,978473·106 3,978473·106 2,3e−16 ✓
apiclus1 sonradan tabakalama (stype): api00 SH ortalama (sonra) 23,92048645 23,92048645 — 4,5e−16 ✓
apiclus1 sonradan tabakalama (stype): api00 SH toplam (sonra) 1,481635·105 1,481635·105 — 7,9e−16 ✓
apiclus1 sonradan tabakalama (stype): enroll ortalama (sonra) 594,26750809 594,26750809 594,26750809 3,8e−16 ✓
apiclus1 sonradan tabakalama (stype): enroll toplam (sonra) 3,680893·106 3,680893·106 3,680893·106 6,3e−16 ✓
apiclus1 sonradan tabakalama (stype): enroll SH ortalama (sonra) 65,59454897 65,59454897 — 1,1e−15 ✓
apiclus1 sonradan tabakalama (stype): enroll SH toplam (sonra) 4,062926·105 4,062926·105 — 8,6e−16 ✓
apiclus1 sonradan tabakalama (stype): api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓
apistrat doğrusal (tabaka stype, fpc): ağırlık toplamı 6194 6194 6194 2,9e−16 ✓
apistrat doğrusal (tabaka stype, fpc): en küçük ağırlık 14,52996629 14,52996629 14,52996629 4,5e−15 ✓
apistrat doğrusal (tabaka stype, fpc): en büyük ağırlık 45,97520718 45,97520718 45,97520718 2,8e−15 ✓
apistrat doğrusal (tabaka stype, fpc): ağırlık değişim katsayısı 0,4346932 0,4346932 0,4346932 5,6e−16 ✓
apistrat doğrusal (tabaka stype, fpc): g en küçük 0,9622494 0,9622494 0,9622494 1,6e−15 ✓
apistrat doğrusal (tabaka stype, fpc): g en büyük 1,0399278 1,0399278 1,0399278 5,6e−15 ✓
apistrat doğrusal (tabaka stype, fpc): api00 ortalama (sonra) 664,64399593 664,64399593 664,64399593 1,7e−16 ✓
apistrat doğrusal (tabaka stype, fpc): api00 toplam (sonra) 4,116805·106 4,116805·106 4,116805·106 1,4e−15 ✓
apistrat doğrusal (tabaka stype, fpc): api00 SH ortalama (sonra) 1,90304086 1,90304086 1,90304086 5,8e−16 ✓
apistrat doğrusal (tabaka stype, fpc): api00 SH toplam (sonra) 11787,43508901 11787,43508901 11787,43508901 1,1e−15 ✓
apistrat doğrusal (tabaka stype, fpc): enroll ortalama (sonra) 593,78009443 593,78009443 593,78009443 1,9e−16 ✓
apistrat doğrusal (tabaka stype, fpc): enroll toplam (sonra) 3,677874·106 3,677874·106 3,677874·106 5,1e−16 ✓
apistrat doğrusal (tabaka stype, fpc): enroll SH ortalama (sonra) 17,91510718 17,91510718 17,91510718 2,0e−16 ✓
apistrat doğrusal (tabaka stype, fpc): enroll SH toplam (sonra) 1,109662·105 1,109662·105 1,109662·105 2,8e−15 ✓
apistrat doğrusal (tabaka stype, fpc): api00 SH ortalama (önce) 9,4089408 9,4089408 — 0 ✓
apistrat doğrusal (api99 + sch.wide): ağırlık toplamı 6194 6194 6194 5,9e−16 ✓
apistrat doğrusal (api99 + sch.wide): en küçük ağırlık 14,47895092 14,47895092 14,47895092 8,6e−16 ✓
apistrat doğrusal (api99 + sch.wide): en büyük ağırlık 45,92564691 45,92564691 45,92564691 1,7e−15 ✓
apistrat doğrusal (api99 + sch.wide): ağırlık değişim katsayısı 0,43319263 0,43319263 0,43319263 1,7e−16 ✓
apistrat doğrusal (api99 + sch.wide): g en küçük 0,9588709 0,9588709 0,9588709 1,2e−15 ✓
apistrat doğrusal (api99 + sch.wide): g en büyük 1,04055721 1,04055721 1,04055721 3,4e−15 ✓
apistrat doğrusal (api99 + sch.wide): api00 ortalama (sonra) 664,55611605 664,55611605 664,55611605 1,7e−16 ✓
apistrat doğrusal (api99 + sch.wide): api00 toplam (sonra) 4,116261·106 4,116261·106 4,116261·106 0 ✓
apistrat doğrusal (api99 + sch.wide): api00 SH ortalama (sonra) 1,55669497 1,55669497 1,55669497 4,3e−16 ✓
apistrat doğrusal (api99 + sch.wide): api00 SH toplam (sonra) 9642,16866406 9642,16866406 9642,16866406 1,1e−15 ✓
apistrat doğrusal (api99 + sch.wide): enroll ortalama (sonra) 594,54711152 594,54711152 594,54711152 3,8e−16 ✓
apistrat doğrusal (api99 + sch.wide): enroll toplam (sonra) 3,682625·106 3,682625·106 3,682625·106 5,1e−16 ✓
apistrat doğrusal (api99 + sch.wide): enroll SH ortalama (sonra) 19,69439419 19,69439419 19,69439419 1,8e−16 ✓
apistrat doğrusal (api99 + sch.wide): enroll SH toplam (sonra) 1,219871·105 1,219871·105 1,219871·105 6,0e−16 ✓
apistrat doğrusal (api99 + sch.wide): api00 SH ortalama (önce) 9,4089408 9,4089408 — 0 ✓
apistrat sınırlı lojit [0,4; 3]: ağırlık toplamı 6194,00018304 6194 — 3,0e−8 ✓
apistrat sınırlı lojit [0,4; 3]: en küçük ağırlık 14,53982768 14,53982736 — 2,2e−8 ✓
apistrat sınırlı lojit [0,4; 3]: en büyük ağırlık 46,00401871 46,00401697 — 3,8e−8 ✓
apistrat sınırlı lojit [0,4; 3]: ağırlık değişim katsayısı 0,43471597 0,43471597 — 5,2e−10 ✓
apistrat sınırlı lojit [0,4; 3]: g en küçük 0,96290247 0,96290245 — 2,1e−8 ✓
apistrat sınırlı lojit [0,4; 3]: g en büyük 1,0405795 1,04057946 — 3,8e−8 ✓
apistrat sınırlı lojit [0,4; 3]: api00 ortalama (sonra) 664,64298192 664,64298143 — 7,5e−10 ✓
apistrat sınırlı lojit [0,4; 3]: api00 toplam (sonra) 4,116799·106 4,116799·106 — 3,0e−8 ✓
apistrat sınırlı lojit [0,4; 3]: api00 SH ortalama (sonra) 1,90296796 1,90296796 — 9,8e−10 ✓
apistrat sınırlı lojit [0,4; 3]: api00 SH toplam (sonra) 11786,98391142 11786,98357467 — 2,9e−8 ✓
apistrat sınırlı lojit [0,4; 3]: enroll ortalama (sonra) 593,77833665 593,77833697 — 5,3e−10 ✓
apistrat sınırlı lojit [0,4; 3]: enroll toplam (sonra) 3,677863·106 3,677863·106 — 2,9e−8 ✓
apistrat sınırlı lojit [0,4; 3]: enroll SH ortalama (sonra) 17,91510037 17,9151004 — 1,7e−9 ✓
apistrat sınırlı lojit [0,4; 3]: enroll SH toplam (sonra) 1,109661·105 1,109661·105 — 2,8e−8 ✓
apistrat sınırlı lojit [0,4; 3]: api00 SH ortalama (önce) 9,4089408 9,4089408 — 0 ✓
apistrat raking: ağırlık toplamı 6194 6194 6194 0 ✓
apistrat raking: en küçük ağırlık 15,04027773 15,04027773 15,04027773 3,9e−11 ✓
apistrat raking: en büyük ağırlık 44,54256603 44,54256603 44,54256603 2,2e−11 ✓
apistrat raking: ağırlık değişim katsayısı 0,43279999 0,43279999 0,43279999 1,2e−11 ✓
apistrat raking: g en küçük 0,99604486 0,99604486 0,99604486 3,8e−11 ✓
apistrat raking: g en büyük 1,00752244 1,00752244 1,00752244 2,2e−11 ✓
apistrat raking: api00 ortalama (sonra) 662,21165036 662,21165036 662,21165036 1,8e−13 ✓
apistrat raking: api00 toplam (sonra) 4,101739·106 4,101739·106 4,101739·106 1,8e−13 ✓
apistrat raking: api00 SH ortalama (sonra) 9,27291509 9,27291509 — 5,2e−12 ✓
apistrat raking: api00 SH toplam (sonra) 57436,43606517 57436,43606547 — 5,2e−12 ✓
apistrat raking: enroll ortalama (sonra) 595,43436761 595,43436761 595,43436761 6,7e−12 ✓
apistrat raking: enroll toplam (sonra) 3,688120·106 3,688120·106 3,688120·106 6,7e−12 ✓
apistrat raking: enroll SH ortalama (sonra) 18,71204608 18,71204608 — 2,0e−11 ✓
apistrat raking: enroll SH toplam (sonra) 1,159024·105 1,159024·105 — 2,0e−11 ✓
apistrat raking: api00 SH ortalama (önce) 9,4089408 9,4089408 — 0 ✓
apistrat sonradan tabakalama (sch.wide): ağırlık toplamı 6194 6194 — 1,5e−16 ✓
apistrat sonradan tabakalama (sch.wide): en küçük ağırlık 15,08142112 15,08142112 — 1,6e−15 ✓
apistrat sonradan tabakalama (sch.wide): en büyük ağırlık 44,47176812 44,47176812 — 8,0e−16 ✓
apistrat sonradan tabakalama (sch.wide): ağırlık değişim katsayısı 0,43194272 0,43194272 — 3,9e−16 ✓
apistrat sonradan tabakalama (sch.wide): g en küçük 0,99876959 0,99876959 — 1,1e−16 ✓
apistrat sonradan tabakalama (sch.wide): g en büyük 1,00592104 1,00592104 — 6,6e−16 ✓
apistrat sonradan tabakalama (sch.wide): api00 ortalama (sonra) 662,20302945 662,20302945 — 8,6e−16 ✓
apistrat sonradan tabakalama (sch.wide): api00 toplam (sonra) 4,101686·106 4,101686·106 — 6,8e−16 ✓
apistrat sonradan tabakalama (sch.wide): api00 SH ortalama (sonra) 9,2725439 9,2725439 — 1,9e−16 ✓
apistrat sonradan tabakalama (sch.wide): api00 SH toplam (sonra) 57434,13691603 57434,13691603 — 7,6e−16 ✓
apistrat sonradan tabakalama (sch.wide): enroll ortalama (sonra) 595,71935384 595,71935384 — 3,8e−16 ✓
apistrat sonradan tabakalama (sch.wide): enroll toplam (sonra) 3,689886·106 3,689886·106 — 1,3e−15 ✓
apistrat sonradan tabakalama (sch.wide): enroll SH ortalama (sonra) 20,28176192 20,28176192 — 1,6e−15 ✓
apistrat sonradan tabakalama (sch.wide): enroll SH toplam (sonra) 1,256252·105 1,256252·105 — 1,0e−15 ✓
apistrat sonradan tabakalama (sch.wide): api00 SH ortalama (önce) 9,4089408 9,4089408 — 0 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): ağırlık toplamı 6194 6194 — 3,1e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): en küçük ağırlık −388,59906498 −388,59906498 — 1,5e−16 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): en büyük ağırlık 395,03009664 395,03009664 — 1,4e−16 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): ağırlık değişim katsayısı 4,9766168 4,9766168 — 1,8e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): g en küçük −11,48105024 −11,48105024 — 4,2e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): g en büyük 11,67105326 11,67105326 — 2,6e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): api00 ortalama (sonra) 139,08320844 139,08320844 — 3,9e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): api00 toplam (sonra) 8,614814·105 8,614814·105 — 9,2e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): api00 SH ortalama (sonra) 13,87451473 13,87451473 — 4,1e−14 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): api00 SH toplam (sonra) 85938,74422328 85938,74422328 — 3,9e−14 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): enroll ortalama (sonra) 721,74174118 721,74174118 — 4,7e−16 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): enroll toplam (sonra) 4,470468·106 4,470468·106 — 2,3e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): enroll SH ortalama (sonra) 175,74754412 175,74754412 — 3,6e−15 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): enroll SH toplam (sonra) 1,088580·106 1,088580·106 — 2,1e−16 ✓
apiclus1 doğrusal, uç nüfus toplamı (negatif ağırlık): api00 SH ortalama (önce) 23,54224069 23,54224069 — 1,7e−15 ✓

Ölçütü karşılayan: 166/166. Sınırlı lojit satırlarında ölçüt 10⁻⁶: survey kalibrasyonu 10⁻⁷ eşiğinde durur, bağımsız Newton çözümü ise 10⁻¹⁴ duyarlıktadır. Standart hatalar kalıntı yöntemiyle (kalibrasyon matrisine w₀ ağırlıklı regresyon) ve raking/sonradan tabakalamada yinelemeli izdüşümle bağımsız olarak yazıldı; R kolu yalnız temel R'dir. Raking ve sonradan tabakalamanın SH'si yalnız Python kolunda vardır (R kolunda doğrusal kalibrasyon SH'si).

Ek denetimler: ağırlık özeti ve yardımcı toplam farkı her yöntemde sıfıra eşittir (fark sütunu \le10^{-7} doğrusal; lojitte 10^{-5} mertebesinde, yakınsama eşiği 10^{-7} olduğu için). Yayımlanmış değer: vinyette api00 ortalaması 666,72 (SH 3,2959), enroll toplamı 3 357 372 (SH 243 227); şablon 666{,}717736, 3\,357\,372 ve 243\,227{,}19 verdi.

208.7 Çıktıyı okuma

Örnek ayarda (kr_ornek) çıktı aşağıdaki gibidir; tablolar Sonuçlar sekmesine adlandırılmış olarak yazılır.

n = 183; yöntem: doğrusal (GREG); kalibrasyon değişkenleri: api99
-- Ağırlık özeti
 olcut                 ayar_oncesi   ayar_sonrasi
 ağırlık toplamı       6194.000324   6194.000000
 en küçük                33.846996     17.722859
 en büyük                33.846996     52.706065
 değişim katsayısı        0.000000      0.222169
 g = w/w₀ en küçük        1.000000      0.523617
 g = w/w₀ en büyük        1.000000      1.557186
-- Yardımcı toplamların denetimi (ayarlı ağırlıklarla)
 terim   nufus     kestirim   fark
 N        6194         6194   9.1e-13
 api99  3914069      3914069   4.7e-10
-- Hedef değişkenler: ayar öncesi ve sonrası kestirimler
 degisken  ortalama_once SH_ort_once ortalama_sonra SH_ort_sonra  toplam_sonra  SH_top_sonra
 api00          644.1694     23.5422       666.7177       3.2959      4129650        20414.7
 enroll         549.7158     45.1914       542.0362      39.2682      3357372       243227.2
Öğe Ne yazar Nasıl yorumlanır
Ağırlık özeti Ağırlıkların toplamı, aralığı, değişim katsayısı ve g=w/w_0 aralığı. Toplam nüfus büyüklüğüne yakınsa ağırlıklar nüfusu tutar. Değişim katsayısı artıyorsa ağırlıklar eşitsizleşmiştir (kesinlik kaybı riski). g aralığı 0'a ya da çok büyük değerlere yakınsa yardımcı değişkenle nüfus toplamı örnekle çok uyumsuzdur.
Yardımcı toplamların denetimi Her kalibrasyon teriminde nüfus toplamı, ayarlı ağırlıklarla toplam ve fark. fark sıfır olmalıdır; sıfırdan farklıysa yinelemeli yöntem yakınsamamış ya da marjinler tutarsızdır.
Hedef değişkenler Tasarım ağırlığıyla ve kalibre ağırlıkla ortalama, toplam ve SH. SH'nin düşmesi yardımcı değişkenin hedefle ilişkili olduğunu gösterir. Ortalamanın kayması örneğin nüfustan sistematik sapmasını gösterir.
Düzey toplamları (ayarlı) Kategorik değişkenin düzey toplamları ve SH. Raking'de tutulan marjinlerin SH'si 0'dır.
Ayarlı birim ağırlıkları Her birim için Veri sekmesi satır numarası (satir), tasarım ağırlığı (w0), ayarlı ağırlık (w) ve g=w/w_0. Ayarlı ağırlıkları başka bir analize taşımak için kullanılır; \sum w nüfus büyüklüğüne eşittir. En küçük w sıfır ya da negatifse çıktının başındaki uyarıya bakın.
Şekil Tasarım ağırlığına karşı ayarlı ağırlık. Tasarım ağırlıkları eşitse (apiclus1) noktalar tek bir düşey çizgi üzerindedir; köşegenden uzaklık düzeltmenin büyüklüğüdür.

Şekil 208.1. Tasarım ağırlığı ve ayarlı ağırlık (apiclus1; doğrusal kalibrasyon).

Yöntemlerin karşılaştırması (apiclus1, api00 ortalaması; ayar öncesi 644,17, SH 23,54):

Yöntem Yardımcı değişken api00 ortalaması SH Ağırlık aralığı
Doğrusal (GREG) api99 666,7177 3,2959 17,72–52,71
Sınırlı lojit [0,5; 2] api99 666,7819 3,2853 21,37–54,56
Doğrusal api99 + stype 665,3091 3,4418 14,17–62,05
Raking stype, sch.wide 641,2303 23,7036 29,87–67,13
Sonradan tabakalama stype 642,3108 23,9205 30,70–53,93

Tablonun öğrettiği: api99 ile api00 güçlü ilişkili olduğundan (aynı okulun bir önceki yılı) SH yedide birine iner; stype ve sch.wide ile yapılan raking ve sonradan tabakalamada SH hemen hiç değişmez (23,70 ve 23,92). Ek yardımcı terimler (stype) SH'yi azaltmaz, hatta hafifçe artırır (3{,}30\to3{,}44): fazladan parametre kestiriminin maliyetidir.

Tek aşamalı küme örneklemesiyle seçilen 183 okuldan (15 bölge) hesaplanan api00 ortalaması, 1999 yılı API toplamına doğrusal kalibrasyonla 666,72'dir (Taylor SH = 3,30); tasarım ağırlıklarıyla bu değer 644,17 (SH = 23,54) idi.

208.8 Sık hatalar ve tuzaklar

  • Nüfus toplamının ölçeği. Nüfus toplamı örnek toplamından çok uzaksa doğrusal kalibrasyon negatif ağırlık üretir; şablon durdurmaz, "Uyarı: 86 birimin ayarlı ağırlığı sıfır ya da negatif (en küçük ağırlık −388,6, en küçük g = −11,48)" biçiminde bir uyarı yazar (kr_h_negatif_agirlik, api99=300000). Ağırlıklar -388{,}60 ile 395{,}03 arasındadır; api00 ortalaması 139{,}08. Uyarıyı görürseniz nüfus toplamlarını yeniden denetleyin ya da sınırlı lojit seçin.
  • Raking'de marjinlerin tutarsızlığı. Marjinal toplamlar aynı nüfus büyüklüğünü vermelidir. stype toplamı 6194, sch.wide toplamı 6000 verilirse (kr_h_toplam_uyumsuz) çalıştırma "Raking'de bütün marjinal toplamlar aynı nüfus büyüklüğüne eşit olmalı; toplamlar tutarsız" iletisiyle durur ve her değişkenin toplamını yazar.
  • N raking'de kullanılmaz. N=9999 yazılsa da ağırlıklar değişmez; denetim tablosunda fark = -3805 görünür (kr_h_raking_N). Şablon bunu "Not: 'N' (9999) ile 'stype' düzey toplamlarının toplamı (6194) farklı" notuyla bildirir.
  • Eksik satırlar çıkarılır. Hedef, ağırlık ya da kalibrasyon sütunlarından birinde eksik olan satır tüm hedefler için atılır; şablon "Not: eksik değeri olan 20 satır çıkarıldı, 163 satır kaldı (sütunlara göre eksik: api00: 12, enroll: 8)" biçiminde bildirir (kr_h_eksik: n=163, ayar öncesi ağırlık toplamı 5517, ayar sonrası 6194). Atılan satırlar yanıtsızlık gibi ele alınır.
  • Ondalık virgül ve binlik ayırıcı. 3914069,5 "Sayı okunamadı"; 4.421 ise sessizce 4{,}421 olarak okunur. Nüfus toplamlarını ondalık noktayla ve binlik ayırıcısız yazın.
  • Düzey adları. Kategorik değişkenin düzey adı verideki değerle birebir aynı olmalıdır; aksi hâlde "nüfus toplamı verilmemiş düzey var" hatası gelir (kr_h_duzey_eksik). Verideki bir düzeyin nüfus toplamı verilmezse de hata gelir; verilmiş ama örneklemde yoksa kalibrasyon yapılamaz (159).
  • Sayısal değişkenin kategorik algılanması. kal_degisken listesinde sayısal rol zorunlu değildir; Veri sekmesi az düzeyli bir sayıyı "kategorik" saydıysa şablon onu düzeylere böler ve düzey toplamları ister. Sayısal bir yardımcı değişken için toplam girmişken "Kategorik kalibrasyon değişkeni '…' için düzey toplamlarını girin" hatası alınırsa değişkenin Veri sekmesindeki türüne bakın (kr_h_tur_kategorik: api99 elle "kategorik" yapıldı).
  • Dar g sınırları. Alt ve üst sınır nüfus toplamlarıyla bağdaşmıyorsa çözüm yoktur; paketin iletisi ("missing value where TRUE/FALSE needed") şablonun "Olası neden: g sınırları nüfus toplamlarıyla bağdaşmıyor (alt/üst aralığını genişletin) ya da yineleme sayısı yetersiz" açıklamasıyla birlikte verilir. zorla seçeneği yalnız yinelemenin yakınsamadığı durumda ağırlık döndürür; çözüm hiç yoksa etkisizdir (kr_h_dar_sinir, kr_h_dar_sinir_zorla).
  • Yinelemeler. en_cok_yineleme = 1 ile lojit "Calibration failed" verir; raking ise yakınsamadan durur ve yalnız "Uyarılar" satırına bir metin yazar (kr_h_raking_yineleme1: stype toplamı 4349,97, nüfus 4421). Uyarı satırı ilk satırların hemen altında görünür.
  • Kalibrasyonla kesinlik "kazanma" yanılgısı. SH'nin düşmesi yardımcı değişkenin ilişkisinden gelir; nüfus toplamı bilinmiyor ve örnekten kestiriliyorsa bu kazanç gerçek değildir.

208.9 Uzman soruları

S1. Kalibrasyon ile sonradan tabakalama arasındaki fark nedir?

Sonradan tabakalama tek kategorik değişkenin düzey sayısını tutturur; her düzeyde ağırlıklar aynı çarpanla büyür. Kalibrasyon ise birden çok sayısal ve kategorik terimi birlikte tutturur ve çarpan örnek birimine göre değişir (g_i=1+\mathbf x_i^\top\hat{\boldsymbol\lambda}). Yalnız kategorik bir değişken verildiğinde doğrusal kalibrasyon sonradan tabakalamaya eşittir: aynı veride stype ile doğrusal kalibrasyon api00 ortalamasını 642,310788 (SH 23,920486) verir, sonradan tabakalama aynı değerleri verir (kr_lin_sonradan_esdeger, kr_sonradan). Bu şablonda iki dal ayrı koddur: calibrate ile postStratify (219–223, 227–230).

S2. Raking ile doğrusal kalibrasyon aynı marjinleri tutturuyorsa sonuçları neden farklıdır?

Raking çarpımsal (lojit sınırsız) biçimdir ve ağırlıklar hep pozitiftir; doğrusal kalibrasyon toplamsal biçimdedir ve negatif ağırlığa izin verir. Aynı marjinlerle (stype, sch.wide) apiclus1'de raking api00 ortalamasını 641,2303, doğrusal kalibrasyon 640,9959 verir (kr_lin_stype); fark küçüktür, ağırlık aralığı genişledikçe büyür. Kod tarafında raking rake (iteratif oransal uydurma), doğrusal calibrate (kapalı çözüm) çağırır (224–226, 223).

S3. Neden SH ayar öncesinde 23,54, sonrasında 3,30?

Ayar öncesi SH tasarım ağırlığıyla, 15 bölge toplamlarının değişkenliğinden gelir. Ayar sonrası SH, api00'ın api99'a bağlanım artığının bölgeler arası değişkenliğinden gelir (208.4.4); api99 ile api00 arasındaki ilişki güçlü olduğundan artık küçüktür. İlişki zayıf olsaydı SH azalmazdı; yardımcı değişkenin gücü kalibrasyonun kazancını belirler.

S4. Kalibre ağırlıklar tasarım ağırlıklarına benzemiyorsa ne yapmalıyım?

g aralığı geniş (ya da negatifse) önce yardımcı değişkenlerin nüfus toplamlarını yeniden denetleyin: tanım ve zaman uyumsuzluğu en sık nedendir. Sonra sınırlı lojit seçip aralığı daraltın (örn. [0,5; 2]); sınırlar dar ise çözüm kalmayabilir. Ağırlıklar uç değerlere sahipse kestirimin değişkenliği artar; değişim katsayısı bunun göstergesidir (örnek ayarda 0,222; karma kalibrasyonda 0,302).

S5. Şablon `nest = TRUE` ile neden kuruluyor?

Birçok anket veri setinde küme kodları tabaka içinde tekrar eder (her tabakada 1, 2, 3 …). nest = TRUE kümelerin tabaka içinde iç içe olduğunu varsayar ve kod çakışmasını hata saymaz (188). Kodlar tüm veri için benzersizse sonuç aynıdır; küme sütunu verilmediyse (ids = ~1) her satır kendi kümesidir.

S6. Kalibrasyon sonrası SH hangi varyans bileşenini kapsamaz?

Nüfus toplamlarının kendisi sabit (hatasız) kabul edilir; örnekten kestirilen toplamlarla kalibrasyon yapılırsa varyans eksik hesaplanır. Ayrıca kalibrasyon modelinin yanlış belirtimi ağırlıklı kestiricinin yansızlığını bozmaz (tasarım temelli yaklaşım) ama verimliliği düşürür. Birim yanıtsızlığı modeli ayrıca kurulmadığı için düzeltilmiş ağırlıklar yanıtsızlık yanlılığını yalnız yardımcı değişkenler üzerinden düzeltir.

S7. Başka bir yazılımla karşılaştırma yapabilir miyim?

Kalibrasyon tanımı aynıdır; farklılıklar yakınsama ölçütündedir. Bağımsız çözüm 10⁻¹⁴ duyarlıkla sınırlı lojit ağırlıklarını verir; survey eşiği 10⁻⁷'de durur ve ağırlıklar göreli 3\times10^{-8} farklıdır (208.6.1). Bu nedenle kıyaslama ölçütünü 10⁻⁶ alın. Raking'in SH'si de 10 izdüşüm yinelemesine dayanır; daha çok yineleme son hanelerde fark yaratabilir.

S8. Hedef değişkenlerde eksik değer varsa ne olur?

Eksik değer taşıyan her satır tüm hedefler için atılır (118–126); atılan satır sayısı ve sütunlara dağılımı çıktıya not olarak yazılır. Kalan satırların ağırlıkları nüfus toplamlarına kalibre edilerek yeniden dağıtılır, yani eksiklik yanıtsızlık gibi ele alınır. Eksik veriyi atamak istiyorsanız önce Bölüm 211'i ya da temel programdaki Multiple Imputation'ı kullanın ve atanmış veriyi bu şablona verin.

208.10 Kaynaklar

Deming, W. E., & Stephan, F. F. (1940). On a least squares adjustment of a sampled frequency table when the expected marginal totals are known. The Annals of Mathematical Statistics, 11(4), 427–444. https://doi.org/10.1214/aoms/1177731829

Deville, J.-C., & Särndal, C.-E. (1992). Calibration estimators in survey sampling. Journal of the American Statistical Association, 87(418), 376–382. https://doi.org/10.1080/01621459.1992.10475217

Deville, J.-C., Särndal, C.-E., & Sautory, O. (1993). Generalized raking procedures in survey sampling. Journal of the American Statistical Association, 88(423), 1013–1020. https://doi.org/10.1080/01621459.1993.10476369

Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8). https://doi.org/10.18637/jss.v009.i08

Lumley, T. (2010). Complex surveys: A guide to analysis using R. Wiley. https://doi.org/10.1002/9780470580066

Lumley, T. (2026). survey: Analysis of complex survey samples (R package version 4.5) [Computer software].

Särndal, C.-E., Swensson, B., & Wretman, J. (1992). Model assisted survey sampling. Springer. https://doi.org/10.1007/978-1-4612-4378-6