Answers:
我最近遇到了同样的问题。以下是我发现的内容:
与具有相等权重的简单随机样本不同,加权平均值的标准误没有广泛接受的定义。如今,进行引导程序并获得均值的经验分布,并基于该估计值来进行标准误差将非常简单。
如果要使用公式进行此估算怎么办?
主要参考文献是Donald F. Gatz和Luther Smith撰写的本文,其中将基于3个公式的估计量与自举结果进行了比较。引导结果的最佳近似来自Cochran(1977):
以下是来自此R listserve线程的相应R代码。
weighted.var.se <- function(x, w, na.rm=FALSE)
# Computes the variance of a weighted mean following Cochran 1977 definition
{
if (na.rm) { w <- w[i <- !is.na(x)]; x <- x[i] }
n = length(w)
xWbar = weighted.mean(x,w,na.rm=na.rm)
wbar = mean(w)
out = n/((n-1)*sum(w)^2)*(sum((w*x-wbar*xWbar)^2)-2*xWbar*sum((w-wbar)*(w*x-wbar*xWbar))+xWbar^2*sum((w-wbar)^2))
return(out)
}
希望这可以帮助!
w=rep(1, length(x))
,则weighted.var.se(rnorm(50), rep(1, 50))
约为0.014
。我认为sum(w^2)
分子中缺少公式,因为当时P=1
,方差为1/(n*(n-1)) * sum((x-xbar)^2)
。我无法检查引用的文章,因为它是在付费专区后面的,但我认为这是更正。奇怪的是,当所有权重相等时,Wikipedia的(不同的)解决方案变得简陋:en.wikipedia.org/wiki/…。
给定,您的估计方差