知经 KNOWECON
登录 注册

知经百科 / Z

最优样本量分配

最优样本量分配 (Optimal Sample Allocation)

最优样本量分配是抽样理论中分层抽样设计的核心方法，由统计学家耶日·奈曼（Jerzy Neyman）于1934年在其奠基性论文中正式提出，因此在等成本条件下也直接称为奈曼分配 (Neyman Allocation)。其核心问题可表述为：在给定资源约束——总样本量 nn 固定或总调查成本 CC 固定——的前提下，如何将有限的抽样预算科学地分配到各个"层"（stratum），使得对总体参数（通常是总体均值或总值）的估计量具有最小的方差，即最高的统计效率。

这一问题的现实意义极为重大。无论是全国性劳动力调查、消费者支出调查，还是官方统计中的各类经济指标采集，调查机构始终面临预算约束。将样本均匀地撒向各个子总体（如按省份或行业划分的层）往往效率低下，因为不同子总体内部的异质性程度迥异、数据采集成本也各不相同。最优分配提供了一个严格的数学框架来回答：在有限的经费下，每一块钱应该优先花在哪个层上？

数学框架与奈曼分配

设总体被划分为 LL 个互不重叠的层。定义以下符号：NhN_h 为第 hh 层的总体单元数，Wh=Nh/NW_h = N_h / N 为层权重，Sh2S_h^2 为第 hh 层的层内研究变量方差（衡量层内异质性的核心指标），nhn_h 为从该层抽取的样本量，满足 ∑h=1Lnh=n\sum_{h=1}^{L} n_h = n。在分层随机抽样下，总体均值 Yˉ\bar{Y} 的无偏估计量为各层样本均值的加权平均：

Yˉ^st=∑h=1LWhyˉh\hat{\bar{Y}}_{st} = \sum_{h=1}^{L} W_h \bar{y}_h

其方差，在忽略有限总体修正系数（即假设各层抽样比较低）时，近似为：

V(Yˉ^st)≈∑h=1LWh2Sh2nhV(\hat{\bar{Y}}_{st}) \approx \sum_{h=1}^{L} \frac{W_h^2 S_h^2}{n_h}

在总样本量 nn 固定且各层单位抽样成本 chc_h 相等的条件下，最小化该方差构成一个标准的约束优化问题。运用拉格朗日乘数法求解，构造拉格朗日函数 L=∑hWh2Sh2/nh+λ(∑hnh−n)\mathcal{L} = \sum_h W_h^2 S_h^2 / n_h + \lambda(\sum_h n_h - n)，对 nhn_h 求偏导并令其为零：

∂L∂nh=−Wh2Sh2nh2+λ=0⇒nh=WhShλ\frac{\partial \mathcal{L}}{\partial n_h} = -\frac{W_h^2 S_h^2}{n_h^2} + \lambda = 0 \quad\Rightarrow\quad n_h = \frac{W_h S_h}{\sqrt{\lambda}}

利用约束条件 ∑hnh=n\sum_h n_h = n 消去 λ\lambda，得到奈曼分配公式：

nh=n⋅WhSh∑k=1LWkSk=n⋅NhSh∑k=1LNkSkn_h = n \cdot \frac{W_h S_h}{\sum_{k=1}^{L} W_k S_k} = n \cdot \frac{N_h S_h}{\sum_{k=1}^{L} N_k S_k}

该公式传达了一个直观而有力的原则：在第 hh 层分配的样本量应与其规模 NhN_h 和层内标准差 ShS_h 的乘积成正比。规模更大、内部差异更显著的层，对总体估计不确定性的"贡献"更大，因此理应获得更多的抽样资源。反之，如果一个层规模极小且内部高度同质，花费大量样本去估计它的均值是浪费——因为哪怕样本很少，其均值也能被精确估计。

纳入成本差异的广义最优分配

现实中，不同层的单位抽样成本 chc_h 往往差别悬殊。例如，偏远地区的入户访谈成本远高于城市中心区，某些行业的专项数据获取成本远高于其他行业。此时优化问题变为：在总可变成本 ∑hnhch=C−c0\sum_h n_h c_h = C - c_0（c0c_0 为与样本量无关的固定成本）固定的约束下最小化方差。再次应用拉格朗日乘数法：

∂L∂nh=−Wh2Sh2nh2+λch=0⇒nh∝WhShch\frac{\partial \mathcal{L}}{\partial n_h} = -\frac{W_h^2 S_h^2}{n_h^2} + \lambda c_h = 0 \quad\Rightarrow\quad n_h \propto \frac{W_h S_h}{\sqrt{c_h}}

这一结果将奈曼原则推广为三维权衡：最优样本量不仅与层规模和层内标准差成正比，还与抽样成本的平方根成反比。具体地，两类常见约束下的分配公式为：

  • 总成本 CC 固定：nh=(C−c0)⋅WhSh/ch∑kWkSkck\displaystyle n_h = (C-c_0) \cdot \frac{W_h S_h / \sqrt{c_h}}{\sum_k W_k S_k \sqrt{c_k}}
  • 总样本量 nn 固定但各层成本不同：nh=n⋅WhSh/ch∑kWkSk/ck\displaystyle n_h = n \cdot \frac{W_h S_h / \sqrt{c_h}}{\sum_k W_k S_k / \sqrt{c_k}}

与其他分配方法的系统比较

比例分配（nh=n⋅Whn_h = n \cdot W_h）是最简单的分配策略——样本在各层的分布完全复制总体结构。其优点是实现简便，只需知道各层规模 NhN_h 即可操作，且在数据汇总时是"自加权"的（各层权重自动与总体一致，无需额外加权调整）。当各层方差 Sh2S_h^2 大致相等时，比例分配的效率接近最优分配。然而，当各层内部异质性差异巨大时——例如一个方差极大的"嘈杂"层与一个方差极小的"安静"层规模相同——比例分配将同等对待它们，导致大量抽样资源浪费在已经非常精确的小方差层上，而大方差层的估计则因样本不足而误差巨大。

奈曼分配在等成本假设下实现了方差最小化，是经典的效率标杆，但缺点是需要预知各层方差 Sh2S_h^2。最优分配进一步纳入了成本差异，是理论上效率最高的方案，同时对先验信息的要求也最苛刻：必须同时掌握 NhN_h、Sh2S_h^2 和 chc_h 的可靠估计。

实践挑战与标准对策

最优分配在应用中面临三个典型困难，均有成熟的对策：

  • 层内方差 Sh2S_h^2 未知：抽样设计时真实方差不可得。可使用历史同类调查的方差估计、实施小规模预调查或引导性研究获取初步估计、利用与研究变量高度相关的辅助变量的方差作为代理，或在无任何先验信息时退回到比例分配。
  • 计算出的 nhn_h 超过层总规模 NhN_h：规模很小但方差极大的层可能被分配超过其总体单元数的样本量。此时对该层施行普查（令 nh=Nhn_h = N_h），并将剩余样本量按最优原则在其余层中重新迭代分配。
  • 某些层的 nhn_h 过小：当算出的某层样本量低于2时，无法在该层内部估计方差，且估计量极不稳定。对策是设定最小样本量阈值（通常为 nh≥2n_h \ge 2 或更高），强制分配后再将剩余样本重新分摊。

核心结论

最优样本量分配的本质是将有限的抽样资源优先配置到对降低整体估计误差"边际贡献"最大的地方。优先获得更多样本的层具备以下一个或多个特征：规模更大（NhN_h 大）、内部差异更显著（ShS_h 大）、抽样成本更低（chc_h 小）。尽管实践中方差和成本的精确信息往往难以事先获取，最优分配的逻辑框架——规模、异质性和成本的三维权衡——为所有大型社会调查、官方统计和学术抽样方案设计提供了不可或缺的理论指引，是抽样调查方法论中兼具理论深度和实用价值的基础概念。

返回百科索引