以LVQ-ESW推估受訪者未知抽樣權重之研究

Abstract

本研究主要提出未知分層權重(stratum weights)的估算法以協助推估母體之確認性因素分析(CFA)之參數｡在大型調查研究中，需因應樣本的抽樣機率的不均等，而必須搭配使用正確的取樣權重資料，才能正確地推論母體的統計模型參數。但是當樣本的分層權重資料未知時，若將這些資料全數剔除(listwise deletions)或忽略權重效應，尤其是當未知或遺失資料並非完全隨機遺失（如：MAR）時，將很可能導致推估母體樣貌時的嚴重偏誤。 本研究提出LVQ-ESW權重估算方法，即應用學習向量量化網絡(learning vector quantization network, LVQ)的計算方法以估算樣本在不同分層間的可能權重，再以此插補為其分層權重估算值(Estimated Stratum Weights, ESW)。LVQ的方法並不需事先假設資料之統計分配，依此所得的分層權重可以客觀地區辨各個分層。本研究以數值模擬實驗方法評估LVQ-ESW的正確性及穩定度，實驗設計中包含了多種不同組合的遺失比例、取樣數、取樣不均勻及層間變異。研究結果顯現LVQ-ESW在各個向度中都明顯優於剔除法及不使用權重，也證實了它有相當的正確率及穩定度。本文最後並對此方法的實際應用提出討論及建議。