Bootstrap methods for variance estimation in survey sampling

Darbā apskatītas vairākas butstrapa metodes, kuras tiek izmantotas izlašu apsekojumos vidējās vērtības un dispersijas novērtēšanā. Autore padziļinātāk izpētījusi butstrapa metodes ar elementu atkārtojumiem: klasisko butstrapa metodi, "naivo" butstrapa metodi un Rao-Wu butstrapa metodi, kas piemērota gan vienkāršākiem, gan komplicētākiem izlašu dizainiem. Darba praktiskajā daļā, simulējot dažādu dizainu izlases, apskatīto butstrapa metožu novērtējumi tiek salīdzināti ar īstajām vērtībām un novērtējumiem, kas iegūti izmantojot klasiskās novērtēšanas formulas. Darba nobeigumā tiek secināts, ka Rao-Wu butstraps dod labus novērtējumus divpakāpju izlašu gadījumos, kad neviena no izlases pakāpēm nav sistematizēta, turklāt darba gaitā iegūtie rezultāti liecina, ka neviena no apskatītajām butstrapa metodēm nestrādā sistemātiskas izlases gadījumā.In this research author has viewed several bootstrap methods, which are used in survey sampling to estimate population mean and variance. Author studied bootstrap with replacement methods: classic bootstrap method, naive bootstrap and Rao-Wu bootstrap, which can be used for simpler sample designs and for more complex designs. Simulating different design sampling in practical part all viewed bootstrap methods estimations were compared with real values and estimations, which were obtained with usage of classic estimation formulas. At the end of research author has made conclusion that Rao-Wu bootstrap method shows good estimations on two stage sample design, when non of the sample stages is systematic, besides results of the research shows that non of previously mentioned bootstrap methods works when systematic sample design is used