当某些层太小时分层样本

Question

我需要在每个层中使用n 观察值绘制分层样本，但某些层的观察值少于n。如果某个层的观测值太少（例如，k<n 观测值），我想从该层中抽取所有 k 观测值。

require(sampling)

n <- 10
geo_ID <- c(rep(1, times = 20), rep(2, times = 20), rep(c(1, 2, 3, 4), times = 5))
    set.seed(42)
V1 <- rnorm(60, 0, 1)
V2 <- rnorm(60, 2, 1)

DF <- data.frame(geo_ID = geo_ID, V1 = V1, V2 = V2)
    #Sort as explained in ?strata help file
DF <- DF[order(DF[, "geo_ID"]), ]

strata(DF, stratanames = "geo_ID", size = c(n, n, n, n), method = "srswor")

如果我如上所述使用不替换的采样，我（可以理解）得到错误：

Error in strata(DF, stratanames = "geo_ID", size = c(10, 10, 10, 10),  : 
  not enough obervations in the stratum 

带替换的抽样避免了错误method = "srswr"，但这并不理想，因为它有时会为层级重复绘制足够大而只有唯一样本抽取的重复。

注意：关于 SO 有一个类似的问题，但没有得到真正的回答。我也认为这个问题更笼统。 (Stratified sampling - not enough observations) 链接问题的答案通常没有用，因为它们需要 (i) 与层大小成比例的样本大小（而我需要一个固定数字）或 (ii) 逐层手动编程，随着层数的增加，这是不可行的。

Answer 1

这并不能回答您关于如何使用“采样”包执行此操作的问题，但我已经写了a function called stratified，它将为您完成此操作。

如果你安装了“devtools”，你可以像这样加载它：

library(devtools)
source_gist(6424112)

否则，只需将 Gist 中的函数代码复制到您的会话中即可。

---

用法很简单：

set.seed(1) ## So you can reproduce this
stratified(DF, group = "geo_ID", size = 10)
# Some groups
# ---3, 4---
# contain fewer observations than desired number of samples.
# All observations have been returned from those groups.
#    geo_ID          V1        V2
# 7       1  1.51152200 2.3358481
# 9       1  2.01842371 2.9207286
# 14      1 -0.27878877 1.0464766
# 20      1  1.32011335 0.9002191
# 5       1  0.40426832 1.2727079
# :::SNIP:::
# 43      3  0.75816324 0.9967914
# 47      3 -0.81139318 1.5777441
# 55      3  0.08976065 0.3389009
# 51      3  0.32192527 1.9749074
# 48      4  1.44410126 1.8776498
# 44      4 -0.72670483 3.8484819
# 60      4  0.28488295 2.1372562
# 52      4 -0.78383894 2.1080727
# 56      4  0.27655075 1.6176663

---

有一些“有趣”的功能，比如在函数本身中对你的层进行子集：

## Selects only "geo_ID" values equal to 1 or 4
stratified(DF, group = "geo_ID", size = 10, select = list(geo_ID = c(1, 4)))

...取一个比例样本：

## Just set the size argument to a value less than 1
stratified(DF, group = "geo_ID", size = .1)

...并使用多个列作为您的组。 Gist 上的 cmets 包含一些可供试用的示例。