İstatistik Sözlüğü → Ağırlıklı Toplam
Ağırlıklı Toplamanaliz
Karmaşık örnekleme tasarımıyla toplanmış örneklem verisinden bir değişkenin evrendeki toplamını (toplam kişi sayısı, toplam alan, toplam harcama gibi) ve bu toplamın tasarıma uygun standart hatasını kestiren analiz.
Kavram
Bazı sorular ortalamayla değil toplamla ilgilidir: ilde kaç öğrenci okul servisi kullanıyor, bölgedeki çiftliklerin toplam ekili alanı ne kadar, hanelerin yıllık toplam sağlık harcaması ne? Bu sorular planlama ve bütçe kararları için doğrudan kullanılır. Evrenin tamamı sayılamadığında, örneklemden evren toplamı kestirilir; bunun için her örneklem biriminin evrende kaç birimi temsil ettiğini gösteren ağırlıklar gerekir.
Toplam, her gözlemin ağırlığıyla çarpılıp toplanmasıyla kestirilir: T̂ = Σ wᵢyᵢ (Horvitz-Thompson kestiricisi). Ortalamadan farklı olarak toplam, ağırlıkların ölçeğine doğrudan bağlıdır: ağırlıkların toplamı evren büyüklüğünü yansıtmalıdır, yoksa toplam yanlış çıkar. Standart hata tabaka ve küme yapısından hesaplanır; aynı kümedeki birimlerin benzerliği belirsizliği artırır, tabakalama ve örnekleme oranının yüksekliği (sonlu evren düzeltmesi) azaltır.
Toplamların göreli kesinliği standart hatanın toplama oranıyla (değişim katsayısı) değerlendirilebilir. Az sayıda çok büyük değer içeren değişkenlerde (ör. birkaç dev işletmenin cirosu) toplam bu birimlere aşırı duyarlı olabilir. Alt grup toplamları tasarım korunarak hesaplanmalı, alt grupların toplamlarının farkı da tasarıma uygun standart hatayla sınanmalıdır.
Ne zaman kullanılır?
- Ağırlıklı anket ya da örneklem verisinden evrendeki toplam bir miktarın (kişi sayısı, alan, üretim, harcama) kestirilmesi gerektiğinde.
- İlgilenilen şey kişi başına düşen değer ise ağırlıklı ortalama, bir kategorinin evrendeki payı ise ağırlıklı frekans kullanılır.
- Evrenin tamamına ait kayıtlar (tam sayım) varsa kestirim gerekmez; toplam doğrudan hesaplanır.
Gündelik bir örnek
Bir il milli eğitim müdürlüğü, gelecek yılın servis bütçesini planlamak için ildeki ortaokullardan tabakalı bir örneklem seçiyor ve her seçilen okuldan servis kullanan öğrenci sayısını öğreniyor. Kırsal tabakadaki her örneklem okulu 4, kentsel tabakadakiler 10 okulu temsil ediyor olsun. Her okulun servisli öğrenci sayısı ağırlığıyla çarpılıp toplandığında ilde yaklaşık 14 500 öğrencinin servis kullandığı kestirilir. Standart hata da örneğin 900 çıkarsa müdürlük, bütçeyi yaklaşık 12 700 ile 16 300 öğrenci arasında bir talebe göre planlayabilir.
MerQur'da parametreler
Ağırlık (zorunlu)
Kavram: Örnekleme ağırlığı, bir örneklem biriminin evrende kaç birimi temsil ettiğidir ve seçilme olasılığının tersidir. Toplam kestiriminde ağırlıkların ölçeği doğrudan sonuca yansır: ağırlıklar evren büyüklüğüne göre değil de örneklem büyüklüğüne göre ölçeklenmişse (göreli ağırlıklar) toplam anlamsız çıkar.
Gündelik örnek: Kentsel bir örneklem okulunun ağırlığı 10 ise, bu okuldaki 120 servisli öğrenci toplama 1200 öğrenci olarak girer. Ağırlıklar ortalaması 1 olacak biçimde yeniden ölçeklenmişse toplam yalnızca örneklemdeki öğrenci sayısını verir, ilin toplamını değil.
Ne işe yarar: Örnekleme ağırlığı (seçilme olasılığının tersi; varsa yanıtsızlık veya kalibrasyon düzeltmeli son ağırlık). Toplam ağırlıklı toplam olarak, SE Taylor doğrusallaştırmasıyla hesaplanır.
Sonuca etkisi: Toplam ve SE; ağırlık ölçeği toplamı doğrudan değiştirir.
Doğrulama verisinde: IceCream tabakalı toplam 36565.2.
Tabaka
Kavram: Tabakalama, evrenin örtüşmeyen gruplara bölünüp her gruptan ayrı örneklem çekilmesidir. Tabakalar arası farklar örnekleme belirsizliğine katılmadığından, tabakalar birbirinden farklıysa toplamın standart hatası küçülür.
Gündelik örnek: Kentsel okullarda servis kullanımı az, kırsal okullarda yoğunsa kent ve kırı ayrı tabaka yapmak her iki kesimin toplama katkısını ayrı ayrı ve daha kesin kestirir.
Ne işe yarar: Varyansı tabaka içi PSU toplamlarının sapmalarından hesaplar; tasarım serbestlik derecesi = PSU - tabaka.
Sonuca etkisi: SE, güven aralığı ve serbestlik derecesi; nokta tahmin değişmez.
Doğrulama verisinde: apistrat enroll toplamının SE'si tabakasız 117625, okul türüne göre tabakalı 117319.
Küme / PSU
Kavram: Küme (PSU), birimlerin topluca seçildiği üst birimdir. Aynı kümedeki birimler benzer olduğundan etkin bilgi azalır ve toplamın standart hatası genellikle büyür.
Gündelik örnek: Okullar önce ilçe seçilip sonra seçilen ilçelerin içinden alındıysa ilçe kümedir. Aynı ilçedeki okulların servis gereksinimi benzer yol koşulları yüzünden birbirine yakın olduğu için, küme bilgisi verilince standart hata bu benzerliği yansıtır.
Ne işe yarar: Birincil örnekleme birimini belirler; varyans PSU toplamları üzerinden hesaplanır.
Sonuca etkisi: Küme içi benzerlik nedeniyle SE genellikle büyür; serbestlik derecesi = PSU - tabaka.
Doğrulama verisinde: SE: apistrat (kümesiz) 117625; apiclus1 (dnum kümeli) 941611.
FPC (popülasyon)
Kavram: Sonlu evren düzeltmesi, evrenin önemli bir kısmı örnekleme alındığında varyansı (1 − n/N) ile çarparak küçültür. Toplamın kendisini değiştirmez, yalnız belirsizliğini azaltır.
Gündelik örnek: Kırsal tabakadaki 40 okulun 10'u seçildiyse, bu tabakadaki okulların dörtte biri zaten gözlenmiştir; o tabakanın varyans katkısı dörtte bir oranında azalır.
Ne işe yarar: Sonlu evren düzeltmesi; varyans (1 - n_h/N_h) ile çarpılır.
Sonuca etkisi: SE ve güven aralığı küçülür; toplamın kendisi değişmez.
Doğrulama verisinde: SE: apistrat FPC'li 114642 (FPC yokken 117319); apiclus1 küme + FPC 932235.
Tek PSU'lu tabaka (Katkısız (certainty, varsayılan), Ortalamaya göre (adjust))
Kavram: Bir tabakada yalnız bir küme bulunuyorsa, tabaka içi kümeler arası fark hesaplanamaz. Seçenek, bu tabakanın varyansa katkı vermemesini ya da tüm kümelerin ortalamasına göre daha temkinli bir katkı hesaplanmasını belirler.
Gündelik örnek: Yalnız bir okul seçilmiş tek okullu bir ilçe tabakası varsa, o ilçedeki okullar arasında servis kullanımının ne kadar değiştiği bilinemez. Temkinli seçenek bu bilinmezliği toplamın standart hatasına ekler.
Ne işe yarar: Tek PSU'lu tabakanın varyans katkısını belirler (katkısız ya da ortalamaya göre).
Sonuca etkisi: Yalnız tek PSU'lu tabaka varken SE ve aralık.
Doğrulama verisinde: apiclus1 (tabaka dnum) SE: katkısız 161733; ortalamaya göre 162002.
Alt grup (by)
Kavram: Alan (alt grup) toplamı, evrenin bir alt kesimine ait toplamı tüm tasarım bilgisi korunarak kestirir. Alt grup toplamlarının toplamı genel toplama eşittir.
Gündelik örnek: Servis kullanan öğrenci toplamı ilçe ilçe istenirse ilçe alt grup olarak verilir. Her ilçe için ayrı bir toplam ve güven aralığı elde edilir; bunların toplamı il toplamını verir.
Ne işe yarar: Alt grup (alan) toplamlarını hesaplar.
Sonuca etkisi: Alan başına toplam.
Doğrulama verisinde: apiclus1, enroll toplamı E alanı 2.10972e+06, SE 631349.
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Güven aralığının evrendeki gerçek toplamı ne kadar güvenceyle kapsayacağını belirler. Düzey yükseldikçe aralık genişler.
Gündelik örnek: İldeki servisli öğrenci sayısı %95 güvenle yaklaşık 12 700 ile 16 300 arasında bulunduysa, %99 güvenle bu aralık yaklaşık 12 200 ile 16 800 arasına genişler.
Ne işe yarar: Güven aralıklarının düzeyini belirler.
Sonuca etkisi: Yalnız aralıklar.
Doğrulama verisinde: apistrat toplamı alt sınırı: %95 3.4611e+06, %90 3.49772e+06, %99 3.38899e+06 (üç programda aynı).
Ek çıktılar: Ağırlıksız n ve ağırlık toplamı (N̂)
Kavram: Ağırlıksız n kestirimin dayandığı gerçek örneklem birimi sayısını, ağırlık toplamı ise bu birimlerin temsil ettiği tahmini evren büyüklüğünü verir. Ağırlık toplamının bilinen evren büyüklüğüne yakın olması ağırlıkların doğru ölçeklendiğinin iyi bir göstergesidir.
Gündelik örnek: Örneklemde 60 okul var ve ağırlıkların toplamı 410 ediyorsa, bu 60 okul ildeki yaklaşık 410 ortaokulu temsil eder. İlde gerçekte 412 ortaokul bulunduğu biliniyorsa ağırlıklar tutarlıdır.
Ne işe yarar: Alan başına geçerli ağırlıksız gözlem sayısı ve ağırlık toplamını verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: E alanı ağırlık toplamı 4873.97 (üç program aynı).
Ek çıktılar: Domainler arası farklar (kontrast)
Kavram: Alt grupların toplamları arasındaki farkı, tasarıma uygun standart hatasıyla verir. Böylece iki alt grubun toplamlarının gerçekten farklı olup olmadığı değerlendirilebilir.
Gündelik örnek: Kuzey ilçelerinde servis kullanan öğrenci toplamı güney ilçelerinden 2000 fazla çıktıysa kontrast, bu farkın standart hatasını verir ve araç planlamasını iki bölge arasında nasıl paylaştırmak gerektiğine ışık tutar.
Ne işe yarar: Alan çiftleri için toplam farkını ve SE'yi verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: apiclus1 E - H farkı 1.57412e+06, SE 543747.
Varyans yöntemi (Taylor (varsayılan), Jackknife (JK1 / JKn), BRR (dengeli yarım örneklem), Fay BRR, Bootstrap (Rao-Wu), Hazır replikasyon ağırlıkları) ve ilgili alanlar (Fay katsayısı (rho), Bootstrap replikasyon sayısı, Rastgele tohum, Replikasyon ağırlık sütunları, Replikasyon türü (JK1, JKn, BRR, Fay, bootstrap, other), Ölçek (scale), Replikasyon ölçekleri (rscales), Sapma merkezi)
Kavram: Standart hata formüle dayalı Taylor doğrusallaştırmasıyla ya da replikasyon yöntemleriyle (jackknife, dengeli yarım örneklem, bootstrap) hesaplanabilir. Replikasyon yöntemleri tasarıma uygun alt örneklemlerde toplamı yeniden hesaplar ve bu toplamların dağınıklığından belirsizliği türetir.
Gündelik örnek: Jackknife'ta kümeler sırayla dışarıda bırakılır ve kalan okulların ağırlıkları buna göre ayarlanarak il toplamı yeniden kestirilir. Toplam bir kümenin çıkarılmasıyla çok değişiyorsa sonuç o kümeye duyarlıdır ve standart hata büyük çıkar.
Ne işe yarar: SE'yi Taylor yerine yeniden örnekleme ile hesaplar (jackknife JK1/JKn, BRR, Fay BRR, Rao-Wu bootstrap, hazır replikasyon ağırlıkları; ayrıntı 082'de). Sapmalar replikasyon ortalamasından (MerQur varsayılanı) ya da tam örneklem kestiriminden alınır.
Sonuca etkisi: SE, güven aralığı ve serbestlik derecesi; toplam değişmez.
Doğrulama verisinde: apistrat (tabaka stype) JKn, 200 replikasyon: enroll toplamı 3687177.53, SE 117319.09; api_stu toplamı 3086008.63, SE 101841.20.
→ Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri
Gerçek veride örnek
Veri: California API apistrat, R survey paketi
Değişkenler: hedef enroll (kayıtlı öğrenci) ve api_stu (sınava giren öğrenci), ağırlık pw, tabaka stype (okul türü)
- Soru: Tabakalı okul örnekleminden (ağırlık pw, tabaka stype) popülasyondaki toplam kayıtlı öğrenci (enroll) ve API sınavına giren öğrenci (api_stu) sayısı nedir?
- Tasarım: n = 200 okul, 3 tabaka, küme yok; tasarım df = 197; toplam T̂ = Σ w·y, SE Taylor.
- Sonuç (enroll): T̂ = 3,687,177.53 (SE = 117,319.09), %95 GA [3,455,815.02; 3,918,540.04].
- Sonuç (api_stu): T̂ = 3,086,008.63 (SE = 101,841.20), %95 GA [2,885,169.74; 3,286,847.52].
- Ek bulgu: API'ye giren öğrenci toplamı kayıtlı öğrenci toplamının yaklaşık %84'üdür; iki toplamın göreli kesinliği benzerdir (SE / T̂ yaklaşık %3.2 ve %3.3).
- APA: enroll: T = 3,687,177.53, SE = 117,319.09, 95% CI [3455815.02, 3918540.04]; api_stu: T = 3,086,008.63, SE = 101,841.20, 95% CI [2885169.74, 3286847.52] (N = 200).
İlgili kavramlar
Standart hataAlan (alt anakütle) tahminiBirincil örneklem birimi (PSU) ve küme örneklemesiTaylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleriÖrneklem ağırlığı (tasarım ağırlığı)Sonlu anakütle düzeltmesi (FPC)Tabakalı örnekleme (tasarım tabakası)Tabakalı analiz (tabaka değişkeni)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.