如何在R的survey与srvyr包中为复杂抽样调查应用Canberra距离函数

问题描述 #

我正尝试使用R语言的survey与srvyr包，在复杂抽样调查设计中应用Canberra距离函数。现有分组计算调查均值的示例代码：

dstrata %>%
  group_by(awards) %>%
  summarise(api00 = survey_mean(api00),
            api99=survey_mean(api99))

希望通过以下自定义的Canberra距离相关函数，计算api00与api99之间的距离，求指导实现方法：

canb.dist <- function(x, j){ sum((abs(x-j))/(abs(x)+abs(j)))}

canberra.index= function(x,j){
  Canbdist=sum((abs(x-j))/(abs(x)+abs(j)))
  domain=numeric(length(x))
  return (CD= Canbdist/domain)
}

实现方案 #

复杂抽样场景下必须考虑抽样权重，不能直接用原始数据计算，以下提供两种贴合需求的实现方式：

方式1：基于分组加权均值计算Canberra距离 #

如果需求是先得到每组api00和api99的加权均值，再对均值计算Canberra距离：

# 第一步：计算分组加权均值（去掉默认的标准误输出）
group_means <- dstrata %>%
  group_by(awards) %>%
  summarise(
    api00_mean = survey_mean(api00, vartype = "none"),
    api99_mean = survey_mean(api99, vartype = "none")
  )

# 第二步：对均值列应用自定义Canberra距离函数
group_means <- group_means %>%
  mutate(canberra_dist = canb.dist(api00_mean, api99_mean))

方式2：基于个体加权计算分组内Canberra指数 #

如果需要在分组内，按抽样权重计算个体层面的Canberra项加权和（更符合复杂抽样的统计逻辑），同时修正你原函数中domain全0的问题：

dstrata %>%
  group_by(awards) %>%
  summarise(
    # 加权求和每个个体的Canberra项
    canberra_weighted_sum = survey_total(
      (abs(api00 - api99))/(abs(api00) + abs(api99)),
      vartype = "none"
    ),
    # 计算分组内的加权样本量（替代原函数中无效的domain）
    weighted_group_size = survey_total(1, vartype = "none"),
    # 得到修正后的Canberra指数
    canberra_index = canberra_weighted_sum / weighted_group_size
  )

关键注意点 #

• 原canberra.index函数中domain=numeric(length(x))会生成全0向量，直接计算会触发除以0错误，改用加权样本量作为分母才符合统计意义。
• 复杂抽样中所有统计计算必须通过survey/srvyr包的survey_mean、survey_total等函数实现，不能直接用基础R的sum或mean，否则会忽略抽样权重导致结果偏差。

内容的提问来源于stack exchange，提问作者Lincoln