survey包分层整群抽样估计：层权重设置与svytotal结果疑问

我来帮你理清这个分层整群抽样的权重设置问题——这确实是survey包使用中容易踩的坑！核心误区在于把层的比例权重当成了抽样膨胀权重，这两个完全不是一回事。下面我会用实际代码示例帮你纠正这个问题，同时解释背后的逻辑。

关键概念先搞懂 #

在单阶段分层整群抽样里：

• 我们先把总体分成若干层（strata）
• 每层内抽取若干群（cluster），然后对抽中的群做全面调查
• 这里的抽样权重是每个样本群的膨胀因子：也就是该层内总体群数 ÷ 层内样本群数（等概率抽群的情况）。这个权重的作用是把样本群“放大”到它代表的总体群规模。

你之前用weights=传入未调整的层权重（比如层占总体的比例），这完全不对——层比例是用来加权层估计值的，不是给个体观测的抽样权重！

实际代码示例 #

1. 模拟数据与总体信息 #

先构造一个符合场景的数据集：假设我们有2个层，层1有10个群（每个群20个单位），层2有5个群（每个群30个单位）；我们在层1抽2个群，层2抽1个群，调查抽中群的所有单位。

set.seed(123) # 保证结果可重复

# 层1的样本数据：2个群，每个群20个单位
stratum1 <- data.frame(
  stratum = rep("stratum1", 40),
  cluster = rep(c("clust1", "clust2"), each = 20),
  x = rnorm(40, mean = 10, sd = 2) # 模拟观测变量x
)

# 层2的样本数据：1个群，30个单位
stratum2 <- data.frame(
  stratum = rep("stratum2", 30),
  cluster = rep("clust3", 30),
  x = rnorm(30, mean = 15, sd = 3)
)

dat <- rbind(stratum1, stratum2)

# 存储每层的总体信息：总群数、样本群数、群规模
pop_info <- data.frame(
  stratum = c("stratum1", "stratum2"),
  total_clusters = c(10, 5),
  sample_clusters = c(2, 1),
  cluster_size = c(20, 30)
)

2. 计算正确的抽样权重 #

给每个观测值分配抽样权重：每个样本群的膨胀因子是层内总群数 ÷ 层内样本群数，因为每个抽中的群代表这么多的总体群。

# 合并总体信息到样本数据
dat <- merge(dat, pop_info, by = "stratum")

# 计算抽样权重：等概率抽群时，每个观测的权重等于群的膨胀因子
dat$sampling_weight <- dat$total_clusters / dat$sample_clusters

3. 创建正确的抽样设计 #

用svydesign时，必须指定strata（层）、id（群ID），并传入正确的抽样权重；另外加上fpc参数（有限总体校正）能让标准误更准确：

library(survey)

# 正确的抽样设计
correct_design <- svydesign(
  id = ~cluster,          # 群标识符
  strata = ~stratum,      # 层标识符
  weights = ~sampling_weight, # 抽样权重
  data = dat,
  fpc = ~total_clusters   # 每层的总群数，用于有限总体校正
)

4. 估计总量与均值 #

现在用svytotal和svymean计算的结果就符合预期了：

# 估计总体总量
svytotal(~x, correct_design)

# 估计总体均值
svymean(~x, correct_design)

为什么之前的做法错了？ #

如果你之前直接把层比例（比如层1占总体的2/3，层2占1/3）作为权重传入，相当于给每个观测值赋予了层的占比，这完全没有体现抽样的膨胀效应——样本群本来就代表了更多的总体群，这个权重根本没把样本放大到总体规模，结果自然不对。

额外注意：不等概率抽群（PPS） #

如果你的群是按大小比例抽样（PPS），那抽样权重就不是简单的总群数/样本群数了，而是1/抽样概率——比如某个群的抽样概率是群大小/层内总单位数，那它的权重就是层内总单位数/群大小。这种情况只要把权重换成对应的1/π_j即可，设计的创建方式是一样的。

内容的提问来源于stack exchange，提问作者Jean V. Adams