본 연구는 순위 집합 샘플링(RSS) 프레임워크 하에서 모집단 평균을 위한 여러 새로운 추정량 클래스를 소개합니다. 이 비용 효율적인 샘플링 설계는 판단 기반 또는 보조 기반의 순위를 포함하여 추정 정밀도를 향상시킵니다. 제안된 추정량은 하나 이상의 보조 변수로부터 정보를 활용하며, 전통적인 (예: 평균) 및 비전통적인 강건 측정 방법 (예: 중앙값, 호지스-레만 추정기, 중간 범위)을 사용하여 효율성과 데이터 오염에 대한 회복력을 향상시킵니다. 이러한 추정량의 개발은 현재 접근 방식의 주요 단점을 해결하는 사후 계층화된 RSS 프레임워크를 기반으로 하며, 이는 보조 변수에서 측정 오류를 명시적으로 고려함으로써 오류 없는 보조 데이터에 대한 빈번한 가정을 해결합니다. 최대 정밀도를 보장하기 위해 최소 평균 제곱 오차(MSE)에 대한 최적 조건이 설정되며, 편향과 MSE에 대한 분석적 표현이 첫 번째 근사치까지 도출됩니다. Murthy (1967)의 공장 출력 데이터와 Kadilar 및 Cingi (2006)의 사과 생산 조사라는 두 개의 벤치마크 데이터 세트를 사용하여 엄격한 시뮬레이션 연구와 경험적 응용이 제안된 추정량의 성능을 평가하는 데 사용됩니다. 연구 결과는 제안된 추정량 클래스가 특히 측정 오류와 비정규성이 존재할 때 현재 접근 방식보다 지속적으로 더 효율적으로 수행한다는 것을 보여줍니다. 대부분의 구성에서 상대 효율성(PRE) 값이 200%를 초과하여 정확성에서 상당한 개선을 나타냅니다. 이러한 결과는 변수 오류 모델 및 강력한 보조 측정을 RSS 기반 추정에 통합하는 것이 얼마나 중요한지를 보여 주며, 데이터 오류가 불가피한 실제 설문 조사 시나리오에서 모집단 평균을 추정하기 위한 보다 정확하고 실용적인 방법을 제공합니다.
Khan et al. (Thu,)은 이 질문을 연구했습니다.