Yanıtlar:
Ağırlıklandırmanın genellikle belirli bir örneğin hedef popülasyonunu temsil etmesini sağlamayı amaçladığını biliyor olabilirsiniz. Örneğinizde, bazı özellikler (örneğin, cinsiyet, SES, ilaç türü) örneğin geldiği popülasyondan daha az iyi temsil ediliyorsa, varsayımsal hedef popülasyonu daha iyi yansıtmak için suçlu istatistik birimlerinin ağırlıklarını ayarlayabiliriz .
RIM ağırlığı (veya tırmıklama), numune marjinal dağılımını teorik marjinal dağılıma eşitleyeceğimiz anlamına gelir. Tabakalaşma sonrası ile ilgili bazı fikirler taşır, ancak birçok ortak değişkenin açıklanmasını sağlar. Bu broşürde Ağırlıklandırma Yöntemleri hakkında iyi bir genel bakış buldum ve işte gerçek bir çalışmada kullanımının bir örneği: Raking Fire Data .
Eğilim ağırlıklandırması, bir ankette ünite yanıt vermemesini telafi etmek için kullanılır, örneğin, ankete cevap verdikleri olasılık tahminlerini kullanarak örnekteki katılımcıların örnekleme ağırlıklarını artırarak. Bu, ruhsal olarak, gözlemsel klinik çalışmalarda tedavi seçimi yanlılığını ayarlamak için eğilim puanlarının kullanılmasıyla aynı fikirdir: dış bilgilere dayanarak, hastaların belirli bir tedavi grubuna dahil olma olasılığını tahmin ederiz ve tedavi seçimini etkiler. Daha ileri gitmek için bulduğum bazı işaretçiler:
Genel bir referansa gelince,
Kalton G, Flores-Cervantes I. Ağırlıklandırma Yöntemleri. J. Off. Stat. (2003) 19: 81-97. Http://www.jos.nu/ adresinde mevcuttur.