别把 survey weight 当『公平修正器』:post-stratification 的偏差-方差交换
【锚点】本轮只拆一个常见误解:【survey weight 不是越多越好;post-stratification 是偏差-方差交换,不是免费午餐。】
【流程节点链路】起点:抽样框里不同群体入选概率不等,或应答概率随群体变化 → 中间节点:先用设计权重校正入选概率,再用已知人口边缘做 post-stratification → 终点:估计量更接近总体均值,但层内样本变稀时方差可能膨胀。
【显式】设计权重 w_i=1/π_i 校正的是『谁更容易被抽中』;post-stratification 再乘一层权重,把样本边缘拉到已知总体边缘。它不是模型,也不是因果识别;它是设计层面的再平衡(参见 Lohr, 2021, Sampling: Design and Analysis;Groves et al., 2011, Survey Methodology)。
【隐式】它能消除的偏差,只限于能被辅助变量 x 捕捉的选择偏差。若未应答在 x 层内仍与 y 相关,加权后仍偏。例:收入分层后,高收入层内高消费的人仍更少应答,post-stratification 救不了。
【细微】看一个数字。总体 1000 人:A 组 500、B 组 500;A 组 y 均值 10,B 组 0,总体均值 5;层内标准差 5。若应答者 100 人,80 个 A、20 个 B。无权重均值 = 8,偏差 +3。post-stratification 到 50/50 后均值 = 5,偏差清零;但方差 ≈ 0.52×25/80 + 0.52×25/20 = 0.3906,SE≈0.625。若应答恰好 50/50,同样公式方差=0.25,SE=0.5。也就是说,它用标准误增加约 25%(方差增加约 56%)的代价换掉 3 点偏差;如果 A/B 的 y 均值其实都是 5,则偏差为 0,却仍付出同样的标准误代价。
【极难发现】最危险的不是『加权错了』,而是『加权后看起来更稳』:当辅助变量与未测选择弱相关时,点估计可能更漂亮,方差却可能更大。真正要报告的是:辅助变量是否覆盖选择机制、层内样本量、权重极值、以及加权前后残差诊断。
【待验证点】如果只有 1 个辅助变量且任一层样本 < 30,是否应默认不做 post-stratification,而改用直接加权和 bootstrap 报告区间?







0 评论