Document PDF

Springer-Lehrbuch
Für weitere Bände:

http://www.springer.com/series/1183
Göran Kauermann · Helmut Küchenhoff
Stichproben
Methoden und praktische Umsetzung mit R
123
Göran Kauermann Helmut Küchenhoff
Universität Bielefeld Ludwig-Maximilians-Universität
Universitätsstraße 25 München
33615 Bielefeld Institut für Statistik
Deutschland Ludwigstraße 33
gkauermann@uni-bielefeld.de 80539 München
Deutschland
kuechenhoff@stat.uni-muenchen.de
ISSN 0937-7433
ISBN 978-3-642-12317-7 e-ISBN 978-3-642-12318-4
DOI 10.1007/978-3-642-12318-4
Springer Heidelberg Dordrecht London New York
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;

detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
© Springer-Verlag Berlin Heidelberg 2010

Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der
Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der
Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung
in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine
Vervielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen
der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9.
September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig.
Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk be-
rechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der
Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann
benutzt werden dürften.
Einbandentwurf: WMXDesign GmbH, Heidelberg
Gedruckt auf säurefreiem Papier
Springer ist Teil der Fachverlagsgruppe Springer Science+Business Media (www.springer.com)

Vorwort
Das vorliegende Buch führt in die Grundideen von Stichprobenziehung ein. Dabei
verfolgen wir einen bewusst nicht-technischen Zugang und versuchen sowohl durch
inhaltliche als auch durch einfache Zahlenbeispiele die Verfahren zu motivieren. Im
Rahmen von statistischer Beratung haben wir in zahlreichen Formen Stichproben-
pläne entworfen und zum großen Teil auch umgesetzt. Es zeigt sich, dass in der
konkreten Umsetzung von Stichprobenverfahren der Teufel, wie üblich, im Detail
steckt, so dass stets ein Kompromiss aus Theorie und Notwendigkeiten der An-
wendung gefunden werden muss. Wir bemühen uns in den dargestellten und jedes
Kapitel abschließenden Beispielen, diesen Kompromiss herauszuarbeiten. Unsere
generelle Intention ist es, dass der interessierte Leser die Idee der Stichproben-
planung versteht und direkt zur Anwendung bringen kann. Hierzu dient auch die
Beschreibung der numerischen Umsetzung mit R. Zur leichteren Realisierbarkeit
haben wir dazu das R-Paket samplingbook verfasst, welches von der Homepage
www.r-project.org heruntergeladen werden kann. Jedes Kapitel schließt mit ei-
ner Darstellung der numerischen Umsetzung mit R ab, getreu dem didaktischen
Prinzip „hands on“.
Dieses Buchprojekt hat sich über geraume Zeit hingezogen und wäre ohne die
tatkräftige Unterstützung durch Cornelia Oberhauser wohl nie zu einem Abschluss
gekommen. Ihr gebührt unser nachhaltiger Dank. Für Anregungen und Korrektu-
ren bedanken wir uns bei Ingrid Kreuzmair und Freia Decker. Ebenso sei Nina
Westerheide, Mark Hempelmann, Juliane Manitz und Manuel Wiesenfarth expli-
zit gedankt für ihre wertvollen Beiträge im Bereich der numerischen Umsetzung.
Letztlich danken wir natürlich auch den zahlreichen Studierenden, die uns immer
wieder auf Fehler und Unstimmigkeiten aufmerksam machten (und wahrscheinlich
machen werden).
Schließlich sei dem Team von Il Grappolo in München gedankt; die mittägliche
Verpflegung war immer aufbauend.
Uns hat die Arbeit an dem Buch viel Freude und Einsicht bereitet und wir hoffen,
dass sich diese auf unsere Leserinnen und Leser überträgt.
Bielefeld Göran Kauermann

München, Helmut Küchenhoff
September 2010
v
Inhaltsverzeichnis
1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Inhalt des Buches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Einfache Stichprobenverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Grundbegriffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Nicht-zufällige Auswahlverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 „Auswahl auf’s Geratewohl“ . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Typische Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Quotenstichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Repräsentativität und Verzerrung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Gründe für Verzerrung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Design einer Zufallsstichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Einfache Zufallsstichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.6 Statistische Inferenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6.2 Mittelwertschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6.3 Konfidenzintervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.4 Schätzung von Anteilen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7 Ziehen mit Zurücklegen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Bestimmung des Stichprobenumfangs . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9 Systematische Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.10 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.11 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.12 Numerische Umsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.12.1 Ziehen einer einfachen Zufallsstichprobe . . . . . . . . . . . . . 47
2.12.2 Mittelwertschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.12.3 Anteilsschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.12.4 Bestimmung des Stichprobenumfangs
bei Mittelwertschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.12.5 Bestimmung des Stichprobenumfangs bei
Anteilsschätzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
vii
viii Inhaltsverzeichnis
3 Modellbasierte Stichprobenverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1 Differenzenschätzer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2 Quotientenschätzer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Regressionsschätzer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Zusammenhang der Schätzer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5.1 Experiment: Geld in der Börse . . . . . . . . . . . . . . . . . . . . . . 79
3.5.2 Investitionswert Telefonnetz . . . . . . . . . . . . . . . . . . . . . . . . 80
3.6 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4 Designbasierte Stichprobenverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.1 Horvitz-Thompson-Schätzer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2 Größenproportionale Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3 Praktische Umsetzung der PPS-Stichprobe . . . . . . . . . . . . . . . . . . . . . 107
4.3.1 Sampford-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.3.2 Pareto-Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.3.3 Eliminierungsmethode von Tillé . . . . . . . . . . . . . . . . . . . . . 113
4.3.4 Splitting-Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3.5 Methode von Madow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.4 Die Hansen-Hurwitz-Strategie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.5 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.6 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.7.1 PPS-Auswahlwahrscheinlichkeiten . . . . . . . . . . . . . . . . . . 120
4.7.2 PPS-Ziehung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.7.3 PPS-Ziehung und Auswahlwahrscheinlichkeiten . . . . . . . 125
4.7.4 Horvitz-Thompson-Schätzer . . . . . . . . . . . . . . . . . . . . . . . . 131
5 Gruppierung der Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

5.1 Geschichtete Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.1.1 Prinzip der Schichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.1.2 Stichprobenumfang in den Schichten . . . . . . . . . . . . . . . . . 147
5.1.3 A posteriori Schichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.1.4 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.2 Cluster-Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.2.1 Einfache Cluster-Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . 160
5.2.2 Modellbasierter Cluster-Schätzer . . . . . . . . . . . . . . . . . . . . 168
5.2.3 Designbasierter Cluster-Schätzer . . . . . . . . . . . . . . . . . . . . 170
5.2.4 Cluster-Stichprobe und systematische Stichprobe . . . . . . 172
5.3 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.3.1 Geschichtete Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.3.2 Cluster-Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Inhaltsverzeichnis ix
5.4 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

5.5.1 Geschichtete Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.5.2 Cluster-Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6 Mehrstufige und mehrphasige Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . 189

6.1 Zweistufige Stichprobenverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.1.1 Die einfache zweistufige Zufallsstichprobe . . . . . . . . . . . . 192
6.1.2 Modellbasierte und designbasierte zweistufige Verfahren 197
6.1.3 Erweiterungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.2 Zweiphasige Stichprobenverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
6.2.1 Modellbasierte zweiphasige Verfahren . . . . . . . . . . . . . . . . 201
6.2.2 Zweiphasige geschichtete Stichprobe . . . . . . . . . . . . . . . . . 208
6.3 Zweiphasige Stichprobe zum Umgang mit Non-Respondern . . . . . . 211
6.4 Capture-Recapture Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
6.5 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.5.1 Neues Design für Haushaltsstichproben
in Deutschland . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.6 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6.7.1 Zweistufige Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
6.7.2 Modellbasierte zweiphasige Verfahren . . . . . . . . . . . . . . . . 217
6.7.3 Zweiphasige geschichtete Stichprobe . . . . . . . . . . . . . . . . . 220
7 Probleme in der Anwendung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

7.1 Räumliche Stichproben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
7.2 Fehlende Werte und nicht erreichbare Individuen . . . . . . . . . . . . . . . 225
7.3 Behandlung delikater Fragen und Anonymisierung
von Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
7.4 Mess-und Erhebungsfehler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
7.4.1 Additiver zufälliger Messfehler . . . . . . . . . . . . . . . . . . . . . 236
7.4.2 Fehler bei binären Merkmalen . . . . . . . . . . . . . . . . . . . . . . 237
7.5 Gewichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
7.5.1 Gewichtung mit inversen
Auswahlwahrscheinlichkeiten . . . . . . . . . . . . . . . . . . . . . . 240
7.5.2 Non-Response-Bereinigung . . . . . . . . . . . . . . . . . . . . . . . . 241
7.5.3 Nachträgliche Schichtung als Gewichtung . . . . . . . . . . . . 244
A Das Programmpaket R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

A.1 Was ist R? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
A.2 Warum wir uns für R entschieden haben . . . . . . . . . . . . . . . . . . . . . . . 247
A.3 R herunterladen und installieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
A.4 R-Hilfe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
x Inhaltsverzeichnis
A.5 Zusätzliche Pakete herunterladen, installieren

und verfügbar machen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
A.6 Pakete zum Thema Stichprobentheorie . . . . . . . . . . . . . . . . . . . . . . . . 249
A.7 Daten einlesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
A.8 Ziehen von Zufallszahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Sachverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
Kapitel 1
Einführung
Nach Bundestags- oder Landtagswahlen erfolgt die Berichterstattung über die

Ergebnisse nach einem bestimmten Ritual. Unmittelbar nach Schließung der Wahl-
lokale (in der Regel um 18 Uhr) werden von verschiedenen Fernsehanstalten Pro-
gnosen für den Ausgang der Wahl abgegeben. Zu diesem Zeitpunkt ist aber noch
keine einzige Stimme ausgezählt, sondern diese Prognosen basieren ausschließlich
auf Befragungen von Wählern unmittelbar nach Abgabe ihrer Stimme.
Obwohl bei diesen im Englischen als „Exit-Polls“ bezeichneten Befragungen nur
ein sehr geringer Anteil der Wählerinnen und Wähler befragt wird, liegen die zuge-
hörigen Prognosen meist sehr nahe an dem tatsächlichen Endergebnis. Der Grund
hierfür liegt in der erfolgreichen Anwendung von Stichprobenverfahren. Mit diesen
ist es beispielsweise möglich, durch eine Befragung von nur 2 000 Personen Aus-
sagen über eine Bevölkerung von ca. 80 Millionen Personen zu machen. Allerdings
sind solche Aussagen nur möglich, falls die Strategie der Ziehung der 2 000 Per-
sonen und die Auswertung der Antworten nach bestimmten Regeln erfolgt. Eine
Befragung von beliebigen Personen oder gar Ergebnisse aus Meinungsäußerungen
im Internet würden keine sinnvollen Aussagen zulassen.
Stichprobenverfahren spielen nicht nur in der Demoskopie eine zentrale Rolle.
Sie werden auch in der Marktforschung bei der Analyse des Kaufverhaltens, bei
großen sozial- und wirtschaftswissenschaftlichen Erhebungen wie z.B. dem Mikro-
zensus oder dem Sozioökonomischen Panel eingesetzt. Auch große medizinisch-
epidemiologische Studien, wie z.B. die amerikanische NHANES-Studie (National
Health and Nutrition Examination Survey), die KIGGS Studie zur Bewertung
der Gesundheit von Kindern (www.kiggs.de) oder auch der deutsche Bundesge-
sundheitssurvey werden auf der Basis von Stichprobenerhebungen durchgeführt.
Weiterhin kommen Stichprobenverfahren bei Fragestellungen, die sich nicht direkt
auf Eigenschaften von Personen beziehen, zum Einsatz. Ein Beispiel, das wir in dem
Buch ausführlich betrachten, ist die Investitionskostenanalyse von Telefonnetzen.
Da es nicht möglich ist, für das gesamte Telefonnetz im Detail eine Kostenrechnung
durchzuführen, beschränkt man sich auf eine Auswahl von Bereichen und führt die
Abschätzung der Gesamtkosten dann mit Hilfe einer Hochrechnung durch. Zuneh-
mend von Bedeutung sind Stichprobenverfahren in der Umweltforschung. Da Um-
weltbelastungen häufig nur mit großem Aufwand zu erfassen sind, ist es hier nötig,
sich auf Teilerhebungen zu beschränken und mit deren Hilfe eine Hochrechnung auf
eine Gesamtbelastung bzw. auf eine Durchschnittsbelastung durchzuführen.
G. Kauermann, H. Küchenhoff, Stichproben, Springer-Lehrbuch, 1

DOI 10.1007/978-3-642-12318-4_1, C Springer-Verlag Berlin Heidelberg 2011
2 1 Einführung
1.1 Inhalt des Buches

Inhalt dieses Buches ist die Beschreibung der Strategien zur Auswahl von Stichpro-
ben, mit deren Hilfe Schlüsse auf eine Population möglich sind. Man spricht hier
vom Stichproben-Design.
Als zentrales Instrument werden Zufallsstichproben verwendet. Diese ermögli-
chen dann mit Hilfe der Wahrscheinlichkeitstheorie statistische Rückschlüsse auf
die Population. Die einfachste Variante, die einfache Zufallsstichprobe, und die
theoretischen Grundlagen dazu werden in Kap. 2 ausführlich beschrieben.
Bei der Auswertung der Daten einer Stichprobe kann nicht nur die Informati-
on bezüglich der Hauptfragestellung (wie in obigem Beispiel die Parteipräferenz)
genutzt werden, sondern auch Zusatzinformationen wie z.B. die abgegebene Stim-
me bei der vorherigen Wahl, das Geschlecht oder das Alter der befragten Person.
Unter bestimmten Bedingungen können diese Hilfsmerkmale unter Benutzung sta-
tistischer Modelle in die Auswertung miteinbezogen werden, um die Aussagekraft
zu erhöhen. Strategien hierzu werden in dem Kap. 3 „Modellbasierte Stichproben-
verfahren“ behandelt.
Neben der Ziehung einer einfachen Zufallsstichprobe gibt es andere Möglichkei-
ten Stichproben zu ziehen. Beispielsweise kann man die Auswahl so durchführen,
dass die Geschlechtsverteilung in der Stichprobe der Geschlechtsverteilung in der
Population entspricht. Man spricht dann von „Designbasierten Stichprobenver-
fahren“, auf welche in Kap. 4 näher eingegangen wird.
Da die meisten in der Praxis verwendeten Verfahren auf einer Gruppierung der
Population (z.B. nach Regionen oder Haushalten) basieren, werden diese in Kap. 5
ausführlich dargestellt. Hier sind die geschichtete Stichprobe und die Cluster-
Stichprobe die wichtigsten Vertreter. Im Anschluss daran werden Kombinationen
der Verfahren in Kap. 6 vorgestellt. Man spricht von mehrphasigen und mehr-
stufigen Stichproben. Den Abschluss (Kap. 7) des Buches bildet die Diskussion
einiger in der Praxis besonders relevanter Fragen. Diese beinhalten den Umgang
mit fehlenden und fehlerhaften Daten sowie die häufig verwendete Gewichtung von
vermeintlich nicht repräsentativen Stichproben.
Jedes Kapitel liefert umfangreiche, in Form von einfachen Beispielen dargestellte
Details, wie die Verfahren praktisch umgesetzt werden können. Dabei wird das frei
verfügbare Softwarepaket R benutzt (siehe www.r-project.org). Alle Verfahren sind
in dem im Internet verfügbaren R-Paket samplingbook zusammengestellt. Eine
kurze Einführung zu dem Programmpaket R ist im Anhang des Buches zu finden.
Somit werden die Verfahren nicht nur theoretisch, sondern auch praktisch vermittelt.
1.2 Notation
Zur Verbesserung der Übersichtlichkeit und der Lesbarkeit werden grundlegende
Begriffe der einzelnen Kapitel im Text hervorgehoben und die wesentlichen Inhalte
in Kästen zusammengestellt.
1.2 Notation 3
Passagen, die mit „Beispiel“ beginnen und mit einem Dreieck enden, kenn-
zeichnen Beispiele im Text.
Passagen, die mit „Herleitung“ beginnen und mit einem Kästchen enden, sind
eher technischer Natur und können nach Belieben übersprungen werden.
In der numerischen Umsetzung verwenden wir folgende Notation, wobei R-
relevante Inhalte in Schrift gleicher Zeichenbreite abgesetzt sind:
• Zeilen, die mit „#“ beginnen, kennzeichnen die relevanten Zeilen aus der R-Hilfe,
die durchgängig in Englisch gehalten sind, z.B.
# package the name of the package
• Zeilen, die mit „>“ beginnen, sind Befehlszeilen, die direkt in R eingegeben wer-
den, z.B.
> function(x)
• Zeilen ohne besonderes Zeilenanfangssymbol sind das Ergebnis, das R auf die
entsprechende Befehlszeile ausgibt.
Kapitel 2
Einfache Stichprobenverfahren
2.1 Grundbegriffe
Bei der Durchführung einer statistischen Erhebung besteht die Absicht, Informatio-
nen über eine (üblicherweise große) Menge von Individuen zu erhalten. So kann
ein Unternehmen Interesse daran haben, sich einen Überblick über die Kundenzu-
friedenheit zu verschaffen oder ein Meinungsforschungsinstitut möchte im Auftrag
einer Fernsehanstalt Informationen über die politische Stimmung in einem Land er-
halten. Bei der Durchführung der Erhebung muss zuerst die Menge der Individuen,
über die eine Aussage getroffen werden soll, bestimmt und abgegrenzt werden. Die-
se Menge besteht bei Umfragen in der empirischen Sozialforschung typischerweise
aus der Bevölkerung eines Landes oder einer Untergruppe daraus, wie z.B. aus den
wahlberechtigten Bürgern. Daher wird in der Stichprobentheorie und nachfolgend
in diesem Buch der Begriff Population für diese abgegrenzte Menge von Individu-
en verwendet. Im deutschsprachigen Raum wird diese auch als Grundgesamtheit
bezeichnet.
• Die Population oder Grundgesamtheit ist die Menge aller Individuen oder Ob-
jekte, über die eine Aussage getroffen werden soll.
Die Grundgesamtheit muss nicht zwingend aus Personen bestehen. Bei einer
ökologischen Fragestellung kann sie z.B. aus Planquadraten einer Fläche oder aus
Seen eines Landes bestehen. Wir definieren daher allgemein die Elemente der Po-
pulation wie folgt.
• Merkmalsträger oder statistische Einheiten sind die Einheiten oder Objekte, an

denen Untersuchungen, Messungen oder Beobachtungen vorgenommen werden.
Gelegentlich werden die Merkmalsträger auch Individuen genannt.
Der Bezug zur inhaltlichen Fragestellung wird durch den Begriff des Merkmals
hergestellt.
• Merkmale sind die Eigenschaften der statistischen Einheiten, die untersucht, be-
obachtet oder gemessen werden sollen.

6 2 Einfache Stichprobenverfahren
Merkmale sind dabei zum Beispiel Einkommen, Wahlverhalten oder Meinungen

zu bestimmten Themen, die in einem Interview erfragt werden können. Merkmale
können auch konkrete Messungen oder Beobachtungen sein. Beispielsweise kann
eine statistische Erhebung Aufschluss über die Schädigung des deutschen Waldes
geben. In diesem Fall ist das Merkmal der konkrete Schädigungsgrad eines einzel-
nen Baumes oder Waldabschnittes.
Der Ausgangspunkt einer empirischen Untersuchung ist damit die Definiti-
on von Grundgesamtheit, statistischen Einheiten und zu erhebenden Merkmalen.
Das bedeutet im Grunde genommen nichts anderes als die folgenden Fragen zu
beantworten:
• Worauf bezieht sich die Untersuchung?
• Welche Inhalte sollen betrachtet werden?
In den meisten Anwendungen ist die Grundgesamtheit relativ groß, so dass man
sich darauf beschränkt, anstelle der gesamten Population eine (kleine) Teilmenge zu
untersuchen oder zu befragen. Diese Teilmenge nennen wir Stichprobe.
• Eine Stichprobe ist die Teilmenge der Population, an der die Merkmale erhoben
werden.
Wenn man sich dafür entscheidet, die gesamte Population zu untersuchen, spricht
man von einer Vollerhebung (oder auch Zensus genannt). In diesem Fall sind Stich-
probe und Population identisch. Ansonsten spricht man von einer Teilerhebung.
Typische Beispiele für Vollerhebungen sind Volkszählungen und Wahlen. Bevor
wir uns im Folgenden ausschließlich mit Teilerhebungen beschäftigen, wollen wir
kurz die Vor- und Nachteile von Teilerhebungen im Vergleich zu einer Vollerhebung
diskutieren. In vielen Fällen ist eine Vollerhebung weder praktikabel noch finanzier-
bar. Dies gilt insbesondere für Untersuchungen, die sich auf die Gesamtbevölkerung
eines Landes beziehen. In anderen Fällen ist eine Vollerhebung rein technisch nicht
ratsam, wie das folgende Beispiel zeigt.
Beispiel 2.1: Bei der Lieferung einer Charge von Äpfeln soll der Schadstoffge-
halt bestimmt werden. Hier besteht die Population also aus allen Äpfeln der Char-
ge, die Merkmalsträger sind die einzelnen Äpfel und das interessierende Merkmal
ist z.B. der Schadstoffgehalt bezogen auf das Gewicht. Um diesen zu bestim-
men, muss der Apfel chemisch untersucht werden und kann anschließend weder
verzehrt noch verkauft werden. Daher hätte man nach einer Vollerhebung zwar
genaue Angaben zur Schadstoffbelastung, aber keine Äpfel mehr. Somit ist es
hier sinnlos, eine Vollerhebung durchzuführen.
Des Weiteren haben Vollerhebungen den Nachteil, dass bedingt durch den ho-
hen Aufwand häufig Mess- und Erhebungsfehler in stärkerem Maße auftreten. Zu-
sätzlich kann es zu einer höheren Ausfallrate als bei einer Teilerhebung kommen.
Das heißt, Individuen gelangen in die Stichprobe, ihre Antwort oder Messung
bleibt jedoch aus, weil sie beispielsweise die Antwort verweigern. Unter Berück-
sichtigung derartiger Probleme bietet sich eine Stichprobe in Form einer Teilerhe-
bung an. Entschließt man sich somit, eine Teilerhebung anstelle einer Vollerhebung
durchzuführen, so stellen sich in der Anwendung drei konkrete Fragen:
2.2 Nicht-zufällige Auswahlverfahren 7
1. Welche Merkmalsträger der Population sollen beobachtet oder gemessen wer-

den?
2. Wie viele Merkmalsträger sollen erhoben werden, das heißt, wie groß soll die
Stichprobe sein?
3. Wie groß ist der Informationsverlust im Vergleich zu einer Vollerhebung?
Wir werden diesen Fragen in den folgenden Kapiteln nachgehen. Dabei wird sich
zeigen, dass eine Teilerhebung in vielen Fällen völlig ausreicht, um eine geforderte
Genauigkeit einer Erhebung zu garantieren.
Beispiel 2.2: Eine öffentliche Verwaltung möchte den Einsatz der Arbeitszeit
ihres Personals genauer erfassen. Sie interessiert sich dafür, wie lange ein Arbeit-
nehmer mit Vorgängen wie „Bearbeitung von externen Anfragen“, „Bearbeitung
von internen Anfragen“, „Kundenverkehr“, „Schriftverkehr“, etc. beschäftigt ist.
Die Verwaltungsleitung zieht zwei mögliche Methoden in Betracht, die Daten zu
sammeln. Einerseits durch eine Vollerhebung, bei der jeder Arbeitnehmer detail-
liert die aufgewendete Arbeitszeit in den einzelnen Bereichen auflistet. Anderer-
seits kann eine Teilerhebung durchgeführt werden, bei der ausgewählte Arbeit-
nehmer die entsprechende Information liefern.
Bei einer Vollerhebung ist sicher mit Problemen zu rechnen. Arbeitnehmer
mögen sich kontrolliert fühlen und/oder ungenaue Angaben machen. Bei einer
Teilerhebung können sich die ausgewählten Arbeitnehmer hingegen benachtei-
ligt fühlen und ihre Mitarbeit verweigern. Da es sich jedoch dabei im Gegensatz
zur Vollerhebung um eine kleinere Gruppe von Arbeitnehmern handelt, kann von
Seiten der Verwaltungsleitung Motivation zur Mitarbeit gegeben werden. Somit
kann durch eine Teilerhebung durchaus ein genaueres Ergebnis als durch eine
Vollerhebung erzielt werden.
2.2 Nicht-zufällige Auswahlverfahren
Generell unterscheidet man zwei Arten von Stichproben, zufällige und nicht-
zufällige Verfahren. In diesem Buch werden wir uns fast ausschließlich mit zufäl-
ligen Verfahren beschäftigen. Bei den nicht-zufälligen Stichprobenverfahren ist der
Prozess der Auswahl weder kontrollierbar noch kann er mit statistischen Modellen
beschrieben werden. Daher gibt es auch keine theoretische Grundlage für diese Ver-
fahren. Wir diskutieren die Problematik kurz anhand der wichtigsten in der Praxis
verwendeten nicht-zufälligen Stichprobenverfahren.
2.2.1 „Auswahl auf’s Geratewohl“

Hierbei wird der „Mann auf der Straße“ befragt. Diese einfache Methode kann
durchaus zu interessanten Ergebnissen führen, lässt aber in der Regel keine Schlüsse
auf die Population zu. Insbesondere kann nicht kontrolliert werden, welche Indivi-
duen keine Möglichkeit haben, in die Stichprobe zu gelangen. Ein Beispiel soll die
Problematik offenlegen.
Beispiel 2.3: Ein Supermarkt möchte Informationen über die Kundenzufrieden-

heit sammeln und entschließt sich zu einer Umfrage. Dabei wird eine Auswahl
auf’s Geratewohl getroffen, indem an einem Vormittag 100 Kunden nach Be-
zahlen an der Kasse nach ihrer Zufriedenheit mit Service und Sortiment befragt
werden. Die so erhaltenen Ergebnisse mögen für das Unternehmen von Interes-
se sein, sofern die Population, über die eine Aussage getroffen werden soll, die
derzeitigen Kunden des Supermarktes sind, die zu der entsprechenden Zeit, in
der die Befragung durchgeführt wird, üblicherweise einkaufen. Kunden, die zu
anderen Zeiten einkaufen oder enttäuschte Ex-Kunden, die den Supermarkt in-
zwischen meiden, erreicht man mit so einer Auswahl auf’s Geratewohl nicht. Der
Informationsgewinn der Stichprobe ist somit recht gering und fragwürdig. Bei
einer Auswahl aufs Geratewohl ist somit weder garantiert, dass alle Individuen
der Population eine positive Wahrscheinlichkeit haben in die Stichprobe gezogen
zu werden, noch ist in irgendeiner Form bewertbar, wie groß die Wahrscheinlich-
keit für ein Individuum ist gezogen zu werden. Kurzum, die Auswahl ist nicht
zufällig.
Beispiel 2.4: Sogenannte TED-Umfragen, bei denen Fernsehzuschauer um eine

Meinung per Telefon gebeten werden, gehören ebenfalls zur Auswahl auf’s Gera-
tewohl. Hier ist davon auszugehen, dass die Entscheidung, seine Meinung abzu-
geben, von der Meinung selbst stark abhängt. Die Gruppe der nicht interessierten
Zuschauer wird in der Regel keine Meinung abgeben oder gar ein anderes Pro-
gramm schauen.
2.2.2 Typische Stichprobe

Hierbei befragt man eine „typische“ Person oder wählt ein typisches Element
der Population. Dieses Verfahren ist so gut wie die Experten, die festlegen, was
„typisch“ ist. Ein Nachteil des Verfahrens besteht darin, dass eine Genauigkeits-
schätzung praktisch nicht möglich ist. Dennoch findet das Verfahren Anwendung
wie Beispiele 2.5 und 2.6 zeigen.
Beispiel 2.5: Zur Ermittlung der Inflationsrate wird zur Erstellung einer Preissta-
tistik ein bestimmter Warenkorb ausgewählt und die Preise in typischen Geschäf-
ten festgestellt. Aufgrund der Vielzahl der Waren und Verkaufseinheiten ist eine
Ziehung mittels einer Zufallsstichprobe nicht möglich. Aufgrund der Erhebung
gleicher Produkte in gleichen Verkaufseinheiten zu verschiedenen Zeitpunkten
lässt sich damit die Preisentwicklung durchaus zuverlässig erheben.
Beispiel 2.6: Die Stadt Haßloch in Rheinland-Pfalz dient der Gesellschaft für
Konsumforschung (GfK) als Testmarkt für neue Produkte. Hier gelangen Inno-
vationen in die Regale von Geschäften und Supermärkten, bevor sie im Bun-
desgebiet auf den Markt kommen. Ist das Produkt in Haßloch erfolgreich, so
lohnt die bundesweite Einführung, ansonsten wird das Produkt nicht auf den
2.3 Repräsentativität und Verzerrung 9
Markt kommen. Die Konsumenten in Haßloch dienen somit als typische Stich-
probe für die bundesdeutsche Bevölkerung im Hinblick auf den Konsum von
Lebensmitteln.
2.2.3 Quotenstichprobe
Dieses Verfahren wird hauptsächlich bei Umfragen verwendet. Die Idee besteht dar-
in, ein möglichst gutes Abbild der Population (Bevölkerung) in der Stichprobe zu
bekommen. Dies wird dadurch erreicht, dass zunächst gewisse Quotenmerkmale
(z.B. Geschlecht, Altersgruppe, Berufstätigkeit) festgelegt werden, deren Verteilun-
gen in der Population bekannt sind. Anschließend wird die Stichprobe so gezogen,
dass die Anteile dieser Merkmale in der Stichprobe genau denen in der Population
entsprechen. Eine Befragung von 1 000 Personen ist dann zum Beispiel so zu or-
ganisieren, dass 500 Personen weiblich sind, dass 200 Personen zwischen 21 und
30 Jahren alt sind usw. In der Praxis wird das so erreicht, dass jeder beteiligte
Interviewer genaue Vorgaben erhält, sich Personen mit bestimmten Eigenschaften
bezüglich der Quotenmerkmale zu suchen.
Die Diskussion über Vor- und Nachteile einer Quotenauswahl war für die Ent-
wicklung der Statistik sehr nützlich, siehe dazu z.B. Noelle-Neumann (2000) und
Quatember (1996). Wesentliches Argument für die Quotenstichprobe ist die Kon-
trolle relevanter Störgrößen. Hier gibt es Ähnlichkeiten zur Strategie der geschich-
teten Stichprobe, siehe dazu Abschn. 5.1. Allerdings handelt es sich bei der Auswahl
innerhalb der Quoten wieder um eine Auswahl auf’s Geratewohl. Daher ist auch für
eine Quotenstichprobe eine zuverlässige Abschätzung der Genauigkeit problema-
tisch. Verfahren zur Genauigkeitsabschätzung basieren in der Regel auf der Annah-
me, dass eine Quotenstichprobe ähnliche Eigenschaften wie eine Zufallsstichprobe
aufweist.
2.3 Repräsentativität und Verzerrung

In der empirischen Forschung wird der Begriff „repräsentative Stichprobe“ in un-
terschiedlichen Bedeutungen verwendet. In der Marktforschung und in der em-
pirischen Sozialforschung wird manchmal eine repräsentative Stichprobe als ein
verkleinertes Abbild der Grundgesamtheit definiert. Typischerweise wird verlangt,
dass personenbezogene Merkmale wie z.B. Alter, Geschlecht, Bildung und Berufs-
tätigkeit in der Stichprobe eine möglichst ähnliche Verteilung haben wie in der
Grundgesamtheit. Diese Forderung hat den Vorteil, dass sie in der Praxis einfach zu
überprüfen ist, wenn die entsprechenden Anteile in der Grundgesamtheit bekannt
sind. Allerdings ist dadurch noch nicht gesichert, dass bezüglich der interessieren-
den Variablen die Ergebnisse der Stichprobe auf die Grundgesamtheit übertragbar
sind.
Beispiel 2.7: Parteipräferenz bei der Kommunalwahl
Ein Landkreis besteht aus 10 Gemeinden, von welchen angenommen wird,
dass diese bezüglich der Bevölkerungsmerkmale eine sehr ähnliche Struktur
aufweisen. Nach obiger Definition wären die Bürger der Gemeinde A also eine
repräsentative Stichprobe für den gesamten Landkreis. Befragt man diese nach
ihren Konsumgewohnheiten, ist das Ergebnis von Gemeinde A vermutlich auf
den Landkreis übertragbar.
Das Ergebnis der Frage nach der Parteipräferenz für die Partei S bei der näch-
sten Kommunalwahl könnte sich aber in der Gemeinde A von dem Ergebnis im
Landkreis deutlich unterscheiden, wenn die Gemeinde A beispielsweise einen
besonders beliebten Bürgermeister aus der Partei S hat. Insofern sind Schlüsse
auf die Grundgesamtheit bezüglich des Konsumverhaltens möglich, aber nicht
bezüglich der Parteipräferenz.
Das Beispiel zeigt die Problematik des Begriffs der repräsentativen Stichprobe.
Die grundsätzliche Frage ist, ob Schlüsse von der Stichprobe auf die Grundgesamt-
heit zulässig sind. Das lässt sich bei nicht-zufälligen Stichproben kaum allgemein
beantworten. Wir ziehen daher vor, den Begriff der Repräsentativität eher als die
Zulässigkeit von Schlüssen auf die Grundgesamtheit zu definieren. Dabei gehört
zu dem Begriff der Bezug zu den Merkmalen. Im obigen Beispiel ist die Gemein-
de A eine repräsentative Stichprobe bezüglich des Konsumverhaltens, aber nicht
bezüglich der Parteipräferenz. Man spricht im letzteren Fall von einer verzerrten
Stichprobe oder von einer Stichprobe mit systematischem Fehler, auch Bias ge-
nannt. Dieser Begriff wird später exakt definiert und diskutiert. Wir wollen hier noch
analysieren, wie es zu einer Verzerrung kommt.
2.3.1 Gründe für Verzerrung

Bei nicht-zufälligen Auswahlverfahren kommt es besonders dann zu einer Verzer-
rung, wenn das Verfahren der Auswahl mit dem Zielmerkmal in Zusammenhang
steht. Im obigen Beispiel wird als Auswahlkriterium der Wohnort gewählt (alle Be-
wohner der Gemeinde A). Wenn nun – dank des Bürgermeisters – der Wohnort mit
der Parteipräferenz in Zusammenhang steht, kommt es zu einer Verzerrung.
Ebenso ergibt sich eine Verzerrung, wenn man versucht, die Verteilung der Be-
rufe in einer Stadt durch eine Befragung mittags vor einem Kaufhaus zu erheben,
da bestimmte Berufsgruppen zu diesem Zeitpunkt nicht die Gelegenheit haben, ein-
zukaufen. Hier ist also durch die Auswahlstrategie die Unbrauchbarkeit der Ergeb-
nisse vorprogrammiert. Da nutzt es auch nichts zu versuchen, die Repräsentativität
dadurch herzustellen, dass die Anteile der Geschlechter und die Altersverteilung
der der Gesamtbevölkerung entsprechen. Man beachte auch, dass die Befragung
von vielen Personen die Verzerrung nicht beseitigt.
Ein wesentlicher Vorteil einer Zufallsstichprobe liegt in der Vermeidung solcher
Verzerrungen. Der Mechanismus des Ziehens ist dabei unabhängig von dem zu be-
trachtenden Merkmal. Zusammenhänge sind somit zufällig und nicht systematisch.
Die gerade angesprochenen Probleme treten aber bei Zufallsstichproben durch Ant-
wortverweigerung bzw. durch nicht erreichbare Individuen auf und werden daher in
Kap. 7 diskutiert.
2.4 Design einer Zufallsstichprobe 11
2.4 Design einer Zufallsstichprobe

Bei den nicht-zufälligen Auswahlverfahren ist der Auswahlmechanismus immer
von dem Verhalten der Personen, die die Auswahl durchführen, abhängig. Sie ist
im Extremfall der Auswahl auf’s Geratewohl völlig der Stimmung der Interview-
er oder der Beteiligten überlassen. Das Ergebnis wird zwar umgangssprachlich als
„zufällig“ bezeichnet, aber es ist genau genommen vom subjektiven, nicht kontrol-
lierbaren Verhalten beeinflusst. Im Gegensatz dazu wird bei Zufallsstichproben der
Prozess der Ziehung genau definiert. Die Zufälligkeit einer Ziehung setzt damit
einen echten Zufallsprozess voraus, was in der Praxis meist durch einen Zufalls-
zahlengenerator realisiert wird. Salopp gesprochen unterscheidet sich eine zufälli-
ge Stichprobe von einer nicht zufälligen dadurch, dass wir quantifizierbare Wahr-
scheinlichkeiten dafür angeben können, dass ein Merkmalsträger in die Stichprobe
gezogen wird. Diese Wahrscheinlichkeiten müssen nicht für alle Merkmalsträger
gleich sein, sie müssen aber vor der Stichprobenziehung bekannt sein. Die explizite
Angabe von derartigen Wahrscheinlichkeiten und entsprechenden Wahrscheinlich-
keitsverteilungen in den Stichproben bezeichnen wir im Folgenden auch als Design
oder Stichprobendesign.
Beispiel 2.8: Gegeben sei eine Population von 5 Merkmalsträgern (A,B,C,D,E).

Es sollen 2 Einheiten in Form einer Stichprobe gezogen werden. Als Ergebnis der
Stichprobe ergeben sich damit die folgenden Möglichkeiten:
S1 = (A, B), S2 = (A, C), S3 = (A, D), S4 = (A, E),

S5 = (B, C), S6 = (B, D), S7 = (B, E), S8 = (C, D),
S9 = (C, E), S10 = (D, E).
Eine naheliegende Möglichkeit ist es, allen 10 Stichproben die gleiche Wahr-
scheinlichkeit zuzuordnen. Jede Stichprobe hat somit die Wahrscheinlichkeit
1/10. Dieses Design wird als einfache Zufallsstichprobe bezeichnet. Es können
aber auch andere Strategien verfolgt werden. Beispielsweise könnten wir verlan-
gen, dass in der Stichprobe ein Konsonant und ein Vokal vorkommen, womit nur
die folgenden Stichproben
S1 = (A, B), S2 = (A, C), S3 = (A, D),

S7 = (B, E), S9 = (C, E), S10 = (D, E)
zulässig wären. Diesen ordnet man dann jeweils die Wahrscheinlichkeit 1/6 zu.
Ein derartiges Design werden wir als geschichtete Stichprobe kennen lernen. Wei-
ter nehmen wir an, dass das Element A besonders wichtig sei und man deswegen
eine Stichprobe ziehen möchte, in der A ein höheres Gewicht bekommt, d.h. dass
alle Stichproben, die A enthalten, eine größere Wahrscheinlichkeit erhalten. Die
Wahrscheinlichkeiten für die einzelnen Stichproben könnten wie folgt gesetzt
werden:
2 1
P(S1 ) = . . . = P(S4 ) = , P(S5 ) = . . . = P(S10 ) = .
14 14
Auch solche Designs werden wir in diesem Buch betrachten. Wir werden
sie als Ziehen proportional zur Größe (oder englisch „probabilities proportional
to size“, kurz PPS) bezeichnen. Wir fassen die angesprochenen Designs in
Tabelle 2.1 zusammen. Diese gibt die Wahrscheinlichkeiten für die einzelnen
Stichproben wieder:
Tabelle 2.1 Wahrscheinlichkeiten bei verschiedenen Designs

Wahrscheinlichkeit bei
Stichprobe Design 1 Design 2 Design 3
(A,B) 1/10 1/6 1/7
(A,C) 1/10 1/6 1/7
(A,D) 1/10 1/6 1/7
(A,E) 1/10 0 1/7
(B,C) 1/10 0 1/14
(B,D) 1/10 0 1/14
(B,E) 1/10 1/6 1/14
(C,D) 1/10 0 1/14
(C,E) 1/10 1/6 1/14
(D,E) 1/10 1/6 1/14
Der wesentliche Vorteil von Zufallsstichproben besteht darin, dass mit Hilfe
der Wahrscheinlichkeitsrechnung unter Berücksichtigung des Designs statistische
Schlüsse auf die Population gezogen werden können. Insbesondere ist es möglich,
neben Schätzungen für die interessierenden Größen der Grundgesamtheit, Angaben
zur Genauigkeit der Schätzung zu machen. Die Genauigkeit hängt dabei von dem
gewählten Design, vom Stichprobenumfang und von den Verhältnissen in der Popu-
lation ab. Wir beginnen in diesem Kapitel mit dem einfachsten und am häufigsten
verwendeten Design der einfachen Zufallsstichprobe. In den nachfolgenden Kapi-
teln diskutieren wir dann komplexere Designs.
2.5 Einfache Zufallsstichprobe

Das Design der einfachen Zufallsstichprobe zeichnet sich dadurch aus, dass jede
Stichprobe vom Umfang n mit gleicher Wahrscheinlichkeit gezogen wird. Betrach-
ten wir eine Population vom Umfang N , aus der wir eine Stichprobe vom Umfang
n ≤ N ziehen. Wir ziehen dabei ohne Zurücklegen, das heißt alle n gezogenen
Individuen in der Stichprobe sind unterschiedlich. Mit Regeln der Kombinatorik
erhalten wir
2.5 Einfache Zufallsstichprobe 13

N N!
=
n n!(N − n)!
mögliche Stichproben vom Umfang n, wobei n! = n · (n − 1) · . . . · 1 ist und 0! = 1

per Definition. Wenn n = N ist, so ergibt sich exakt eine mögliche Stichprobe, was
einer Vollerhebung entspricht. Wenn n = 1 ist, so erhält man N mögliche Stichpro-
ben. Eine einfache Zufallsstichprobe liegt nun vor, wenn jede mögliche Stichprobe
mit gleicher Wahrscheinlichkeit gezogen wird.
Das Design der einfachen Zufallsstichprobe
Gegeben sei eine Population G von N Elementen. Wir ziehen n

verschiedene Elemente und erhalten die Stichprobe s. Dabei haben
alle möglichen Stichproben vom Umfang n die gleiche Wahrscheinlichkeit,
gezogen zu werden. Es gilt:
P(s) = 1 ,
N
n
für alle Stichproben (Teilmengen von G) vom Umfang n.
Da bei der Ziehung kein Element der Population bevorzugt wird, hat jedes Ele-
ment der Grundgesamtheit die gleiche Wahrscheinlichkeit, in die Stichprobe gezo-
gen zu werden. Diese Wahrscheinlichkeit beträgt π = n/N und wird als Auswahl-
wahrscheinlichkeit bezeichnet. Intuitiv lässt es sich damit begründen, dass wir n
Elemente aus N verfügbaren Elementen ziehen. Greifen wir dazu das Beispiel 2.8
mit Design 1 nochmals auf. In Tabelle 2.1 sind die Wahrscheinlichkeiten für je-
de mögliche Zufallsstichprobe vom Umfang n = 2 aus der Grundgesamtheit vom
Umfang N = 5 gegeben. Wir betrachten Design 1. Es ist ersichtlich, dass z.B. der
Buchstabe A in 4 Stichproben vorkommt. Also ist die Auswahlwahrscheinlichkeit
für A gerade 4/10 = 2/5.
Herleitung: Allgemein lässt sich die Auswahlwahrscheinlichkeit π für einfache Zufallsstich-

proben wie folgt herleiten. Bei der einfachen Zufallsstichprobe
tritt jede Stichprobe vom Um-
fang n mit der gleichen Wahrscheinlichkeit 1/ Nn auf. Um nun die Auswahlwahrscheinlichkeit
π für ein Individuum zu berechnen, müssen wir die Anzahl der Stichproben bestimmen, die
jenes Element enthalten. Da das entsprechende Element in der Stichprobe sein muss, können
wir nur noch n − 1 Elemente aus
den verbleibenden N − 1 Elementen ziehen, um die Stichprobe
−1
aufzufüllen. Wir erhalten also Nn−1 Stichproben, die das entsprechende Element enthalten. Die
Wahrscheinlichkeit π , dass wir das entsprechende Element ziehen, ergibt sich daher zu
N −1
n
π = n−1
N
= .
N
n
Die Anzahl der „günstigen“ Stichproben geteilt durch die Anzahl aller möglichen Stich-
proben, liefert die Wahrscheinlichkeit für ein Individuum, in die Stichprobe vom Umfang n zu
gelangen.
Wir wollen uns an dieser Stelle Gedanken darüber machen, wie eine einfache
Zufallsstichprobe praktisch vollzogen werden kann. Um die Zufallsauswahl durch-
zuführen, könnten aus einer Urne mit N Losen n Lose gezogen werden, wie dies
z.B. bei der Ziehung der Lottozahlen durchgeführt wird. In der Praxis werden dazu
heutzutage Computerprogramme benutzt. Man bezeichnet sie als Zufallsgenerato-
ren. Auf technische Aspekte und die Realisierung in Programmpaketen gehen wir in
Abschn. 2.12 ein. An dieser Stelle wollen wir ein anderes Problem bei der Umset-
zung von Stichproben ansprechen. Die Frage ist, wie eine numerische Zufallszahl
mit den Individuen der Population in Verbindung zu bringen ist. Dazu nehmen wir
an, dass die Elemente der Grundgesamtheit durchnummeriert sind. Wir haben also
eine Liste der Zahlen 1 bis N vorliegen, von denen jeder Eintrag exakt einem Merk-
malsträger der Grundgesamtheit zugeordnet wird. Exemplarisch ist dies in Abb. 2.1
dargestellt. Wir bezeichnen die Liste im Folgenden auch als Populationsliste. Für
eine einfache Zufallsstichprobe ziehen wir nun n Zufallszahlen aus der Populations-
liste. Da jede Zahl in der Liste exakt einem Merkmalsträger in der Grundgesamtheit
entspricht, haben wir somit eine einfache Zufallsstichprobe gezogen.
Auch wenn sich das Verfahren im Prinzip einfach anhört, so sind mit der Rea-
lisation durchaus große Schwierigkeiten verbunden. Wie kann man zum Beispiel
Abb. 2.1 Population und Populationsliste

2.5 Einfache Zufallsstichprobe 15
auf einfache Weise eine derartige numerische Populationsliste erstellen oder wie
kann man auf vorhandene Listen zurückgreifen? Betrachten wir dazu das folgende
Beispiel.
Beispiel 2.9: Für eine Meinungsumfrage sollen 1 000 Haushalte in Deutsch-

land kontaktiert werden. Diese Haushalte sollen nach dem Design der einfachen
Zufallsstichprobe ausgewählt werden. Um diese Stichprobe zu ziehen, könnten
z.B. zufällig Telefonnummern gewählt werden. Hierzu werden üblicherweise per
Computer Telefonnummern zufällig gewählt. Der Interviewer, der die Befragung
durchführt, wird dann mit dem ausgewählten Telefonanschluss verbunden. Mög-
liche Probleme bei diesem Verfahren sind unter anderem, dass Haushalte ohne
Telefon eine Wahrscheinlichkeit von 0 haben, in die Stichprobe gezogen zu wer-
den. Somit kann als Population nicht die Menge der Haushalte in Deutschland
dienen, sondern nur die Menge der Haushalte mit Telefonanschluss. Diese Ein-
schränkung kann zu einer systematischen Verzerrung führen, was wir im späteren
Verlauf nochmals aufgreifen und weiter thematisieren wollen.
Das Beispiel zeigt, dass in vielen Fällen, in denen eine einfache Zufallsstich-
probe gezogen werden soll, Elemente in der Population existieren können, die eine
Wahrscheinlichkeit von 0 besitzen, in die Stichprobe gezogen zu werden. Wir un-
terscheiden daher zwischen Population und Studienpopulation. Graphisch ist dies in
Abb. 2.2 dargestellt.
Abb. 2.2 Population, Studienpopulation und Liste der Studienpopulation

• Die Studienpopulation ist die Teilmenge der Population, die eine echt positive
Wahrscheinlichkeit hat, in die Stichprobe gezogen zu werden. Allgemein gilt,
dass wir generell nur eine Aussage über die Studienpopulation treffen können.
Bestehen also zwischen Population und Studienpopulation relevante Unter-
schiede bezüglich des oder der interessierenden Merkmale, so ist die Stich-
probenziehung basierend auf der gewählten Studienpopulation als kritisch zu
betrachten.
Beispiel 2.10: Ein Internetversandhaus möchte eine Untersuchung zum Zah-
lungsverhalten der Kunden durchführen, bei der die Zeit zwischen Versand und
Bezahlung als interessierende Variable erhoben werden soll. Als Population,
sprich Menge der interessierenden Objekte, definiert man daher die Bestellungen
beim Versandhaus. Nun will das Unternehmen natürlich nicht nur rückblickend,
sondern auch vorausschauend die Ergebnisse der Untersuchung nutzen. Das be-
deutet inhaltlich, dass die Population aus bisherigen und zukünftigen Bestellun-
gen bestehen soll. Die Stichprobenziehung kann sich aber nur auf abgeschlossene
Bestellungen beziehen. Das heißt, die Studienpopulation (bestehend aus den ab-
geschlossenen Bestellungen) ist nur eine Teilmenge der Bestellungen bei dem
Unternehmen, über die eine Aussage getroffen werden soll.
2.6 Statistische Inferenz
2.6.1 Notation
Wir wollen nun den Informationsgehalt einer einfachen Zufallsstichprobe mit sta-
tistischem Instrumentarium bewerten. Hierzu führen wir im Folgenden eine Nota-
tionskonvention ein, um die Population zu beschreiben. Wir gehen zunächst von
einem Merkmal Y aus. Die Größen Y1 , . . . , Y N sind die Merkmalsausprägungen in
der Grundgesamtheit, das heißt Yi ist beispielsweise das Alter oder das monatliche
Einkommen der i-ten Person in der Population. Wir interessieren uns in der Regel
für die Werte, die aus den Yi abgeleitet werden, wie z.B. den Mittelwert oder die
Varianz in der Population, also das mittlere Alter oder das mittlere Einkommen
als Beispiele für Mittelwerte. Solche abgeleiteten Größen bezeichnen wir als Para-
meter. Ziel einer statistischen Erhebung ist es, diese Parameter zu schätzen. Dazu
nutzen wir die Merkmalsausprägungen in der Stichprobe. Diese bezeichnen wir mit
kleinen Buchstaben, also mit y1 , . . . , yn , und nennen sie Beobachtungen. Damit ist
yk beispielsweise das Alter oder das Monatseinkommen der k-ten befragten und in
die Stichprobe aufgenommenen Person. Aus der Stichprobe leiten wir sogenannte
Statistiken oder Schätzer her, wie zum Beispiel den Mittelwert oder die Varianz
in der Stichprobe. Somit beziehen sich große Buchstaben auf die Population, kleine
Buchstaben sind Größen der Stichprobe. Schematisch ist dies in Abb. 2.3 dargestellt.
Schätzer von Parametern einer Population notieren wir nachfolgend auch mit einem
Dach .
2.6 Statistische Inferenz 17
Abb. 2.3 Schematische Darstellung einer Stichprobenziehung
Für unsere weiteren Betrachtungen werden wir die folgende Notation verwen-
den. Auf die jeweiligen Größen wird in den nachfolgenden Abschnitten näher ein-
gegangen.
Größe Bedeutung
In der Population:
Yi , i = 1, . . . , N Variable oder Merkmal des i-ten Merkmalsträgers

in der Population
N Populationsumfang
N
Ȳ = 1
N i=1 Yi Mittelwert des Merkmals in der Population
N
S2 = 1
N i=1 (Yi − Ȳ )2 Varianz des Merkmals in der Population
In der Stichprobe:
yk , k = 1, . . . , n Variable oder Merkmal des k-ten Merkmalsträgers

in der Stichprobe
n Stichprobenumfang
n
ȳ = 1
n k=1 yk Mittelwert des Merkmals in der Stichprobe
n
s2 = 1
n−1 k=1 (yk − ȳ)2 Varianz des Merkmals in der Stichprobe

Ȳ Schätzer für den Mittelwert in der Population
Wir verwenden im Folgenden in der Regel die Indizes i und j für Größen, die
sich auf die Population beziehen und k und l als Indizes für die Variablen der
Stichprobe.
2.6.2 Mittelwertschätzung
Um mit den eingeführten Begriffen vertraut zu werden und um verschiedene Eigen-
schaften zu veranschaulichen, betrachten wir zunächst ein kleines Beispiel.
Beispiel 2.11: Wir stellen uns eine kleine Population vom Umfang N = 5 vor.
Das interessierende Merkmal hat die Ausprägungen
Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22.
Der interessierende Parameter ist der Mittelwert der Y -Werte. Hier ist Ȳ = 14.
Um diesen Wert zu schätzen, ziehen wir eine einfache Zufallsstichprobe vom
Umfang n = 3 ohne Zurücklegen. Die Definition der einfachen Zufallsstichprobe
besagt, dass jede mögliche
Stichprobe mit gleicher Wahrscheinlichkeit auftritt.
Es ergeben sich Nn = 53 = 5!/(2! 3!) = 10 mögliche Stichproben, von denen
jede mit gleicher Wahrscheinlichkeit, nämlich 1/10 auftritt. Damit erhalten wir
folgende Schätzer und die Wahrscheinlichkeitsverteilung für den Mittelwert ȳ
der Stichprobe.
Gezogene Individuen Mittelwert der Stichprobe ȳ Wahrscheinlichkeit

1 2 3 10,00 1/10
1 2 4 12,33 1/10
1 2 5 13,67 1/10
1 3 4 12,67 1/10
1 3 5 14,00 1/10
1 4 5 16,33 1/10
2 3 4 13,00 1/10
2 3 5 14,33 1/10
2 4 5 16,67 1/10
3 4 5 17,00 1/10
Wir können nun den Erwartungswert, d.h. den mittleren Wert über alle mögli-
chen Stichproben, und die Streuung des Schätzers in Form der Varianz berechnen.
Es ergibt sich als Erwartungswert
1 1 1
E( ȳ) = 10, 00 + 12, 33 + . . . + 17, 00 = 14, 00
10 10 10
und als Varianz, d.h. als mittlere quadratische Abweichung vom Mittelwert
1 1
Var( ȳ) = (10, 00 − 14, 00)2 + (12, 33 − 14, 00)2 + . . .
10 10
1
+ (17, 00 − 14, 00)2
10
= 4, 33.
Beide Größen werden nachfolgend noch genauer definiert. Die Standardab-

weichung (sie entspricht der Quadratwurzel aus der Varianz) kann als ein Maß
für die mittlere
√ Abweichung vom Erwartungswert interpretiert werden. Sie hat
hier den Wert 4, 33 = 2, 08.
Allgemein nehmen wir zunächst an, dass das interessierende Merkmal Y me-
trisch ist, also beispielsweise das Alter oder das Einkommen einer Person. Wie in
obigem Beispiel ist man hierbei am Mittelwert der Merkmale Yi , i = 1, . . . , N
interessiert. Wir unterscheiden dabei Größen der Population und Größen der Stich-
probe. Den Mittelwert der Population erhalten wir durch
N
Ȳ = Yi ,
N
i=1
wohingegen die einfache Zufallsstichprobe den Mittelwert
n

Ȳ E S = ȳ = yk
n
k=1
liefert. Dabei ist die Größe Ȳ der gesuchte und unbekannte Mittelwert in der Popu-
lation, der durch Ȳ E S als Stichprobenmittelwert geschätzt werden kann. Der Index
E S steht für Einfache Stichprobe. Man beachte, dass Ȳ ein (unbekannter) fester
Wert ist, während Ȳ E S eine Zufallsgröße ist, da diese von der Stichprobe abhängt.
Wir stellen uns nun die Frage welche Eigenschaften der Schätzer Ȳ E S hat. Ganz
allgemein bewertet man einen Schätzer nach dem Schätzfehler. Dabei unterschei-
det man zwischen dem systematischen und dem zufälligen Schätzfehler. Den sy-
stematischen Schätzfehler bezeichnen wir im Folgenden als Bias, den zufälligen
Fehler messen wir in Form der Varianz. Diese Gütekriterien werden im Folgenden
definiert.
Betrachten wir zuerst die Definition des Bias. Hierzu berechnen wir den Er-
wartungswert des Schätzers. Wir notieren den Erwartungswert mit E(·). Für die
einfache Zufallsstichprobe gilt (Herleitung folgt später)

E Ȳ E S = Ȳ ,

und somit Bias Ȳ E S = 0. Also liefert im Mittel das arithmetische Mittel der
Stichprobe den gesuchten Parameter Ȳ der Population. Wir haben diesen Sachver-
halt schon in dem kleinen Beispiel oben überprüft. Salopp gesprochen können wir
sagen, dass wir im Mittel mit unserer Stichprobe richtig liegen.
Allerdings kann der Wert von Ȳ E S von dem wahren Wert Ȳ je nach gezoge-
ner Stichprobe abweichen. Diese zufällige Abweichung wird durch die Varianz des
Schätzers quantifiziert. Sie hängt von der Varianz der Variablen in der Population
und dem Stichprobenumfang ab. Die Varianz in der Population ist ein Maß für die
Streuung der einzelnen Yi -Werte, i ∈ {1, . . . , N }, und ist definiert durch
N
S2 = (Yi − Ȳ )2 .
N
i=1
Analog ist die Varianz in der Stichprobe definiert durch
n
s2 = (yk − ȳ)2 .
n−1
k=1
Die Größe S 2 ist die Varianz von Y in der Population, die wir gelegentlich auch
mit SY2 notieren. Diese ist, genau wie Ȳ , unbekannt. Basierend auf einer Stichprobe
kann s 2 als Schätzer für S 2 herangezogen werden. Wie in den Herleitungen später
gezeigt wird, führt die Division durch n − 1 (statt n) zu einem annähernd unverzerr-
ten Schätzer. Man achte an dieser Stelle auch auf die gewählte Notationskonvention,
bei der Größen der Population mit großen Buchstaben notiert werden, wohingegen
kleine Buchstaben für Größen der Stichprobe stehen.
Sofern der Stichprobenumfang kleiner ist als die Populationsgröße (n < N ), das
heißt, sofern keine Vollerhebung (Zensus) durchgeführt wird, liefert eine Stichprobe
nicht das exakte Ergebnis. Wir berechnen daher die Varianz des Schätzers als Maß
für die Genauigkeit. Wie die weiter unten folgende Herleitung zeigt, gilt
S2 N − n
Var Ȳ E S = .
n N −1
Damit ist die Standardabweichung

S N −n
STD Ȳ E S = √ .
n N −1
Nun ist S 2 nicht bekannt, kann aber durch s 2 geschätzt werden, was zur geschätz-
ten Varianz führt:
s2 N − n
Var Ȳ E S = .
n N
Gütekriterien für die Mittelwertschätzung
Gegeben sei ein Schätzer Ȳ für den Mittelwert Ȳ .

Der Bias ist der systematische Fehler des Schätzers

Bias
Ȳ = E
Ȳ − Ȳ .

Ein Schätzer mit Bias Ȳ = 0 heißt unverzerrt oder erwartungstreu.
Der zufällige Fehler des Schätzers ist die Varianz
2
Var
Ȳ = E Ȳ − E
Ȳ .
Anschaulicher ist die Standardabweichung

Ȳ = Var
STD Ȳ .
Insgesamt wird die Schätzung durch den mittleren quadratischen Fehler

(engl. „mean square error“) bewertet
2
MSE Ȳ := E Ȳ − Ȳ .
Als intuitives Maß verwendet man die Wurzel des MSE
(engl. „root mean square error“)
√
RMSE := MSE.
Es gilt allgemein:
2
MSE
Ȳ = Var
Ȳ + Bias
Ȳ .

Insbesondere sind also Var
Ȳ und MSE Ȳ für unverzerrte
Schätzer identisch.
Aus den Formeln ist ersichtlich, dass die Standardabweichung des Schätzers
direkt proportional zur Standardabweichung des Merkmals in der Grundgesamt-
heit ist. Weiterhin ist bei der Standardabweichung die √ Abhängigkeit vom Stichpro-
benumfang im Wesentlichen durch den Faktor 1/ n gegeben. Im Gegensatz zur
konventionellen Statistik taucht in den Formeln ein zusätzlicher Faktor der Form
(N − n)/N = 1 − (n/N ) auf. Dieser Faktor wird auch als Korrekturfaktor für
endliche Populationen bezeichnet und n/N nennt man auch Auswahlsatz. Insbe-
sondere bewirkt der Korrekturfaktor, dass für n = N die Varianz des Schätzers 0
ist. Das macht Sinn, bedeutet doch n = N , dass alle Elemente der Population in die
Stichprobe aufgenommen werden, was inhaltlich einer Vollerhebung gleichkommt.
Somit folgt für n = N , dass ȳ = Ȳ ist, also weist
Ȳ E S eine Varianz von 0 auf. Ganz
allgemein wird die Varianz des Mittelwertschätzers mit steigendem Auswahlsatz
n/N kleiner. Der Korrekturfaktor ist notwendig, da jeder Merkmalsträger höchstens
einmal in die Stichprobe gezogen wird, was wir als Ziehen ohne Zurücklegen be-
zeichnen. Wir greifen diesen Punkt in Abschn. 2.7 nochmal auf.
Es ist an dieser Stelle wichtig zu bemerken, dass gebräuchliche Softwarepakete
den Korrekturfaktor vernachlässigen. Dies ist gerechtfertigt, wenn der Stichproben-
umfang im Vergleich zum Populationsumfang klein ist, das heißt, wenn n << N . In
diesem Fall ist (N − n)/N ≈ 1. Möglichkeiten, diese Korrektur softwaretechnisch
einzubauen, werden in Abschn. 2.12 aufgezeigt.
Mittelwertschätzung bei einer einfachen Zufallsstichprobe

(arithmetisches Mittel)
Gegeben sei eine Stichprobe y1 , . . . , yn vom Umfang n, gezogen als

einfache Zufallsstichprobe (ohne Zurücklegen) aus einer Population
vom Umfang N .
Ein unverzerrter Schätzer für den Mittelwert Ȳ ist

n
Ȳ E S = ȳ = 1
n yk .
k=1
Die Varianz von

Ȳ E S kann erwartungstreu geschätzt werden durch
n
2
Var Ȳ E S = N −n 1
N n(n−1) yk −
Ȳ E S .
k=1
Herleitung: Nachfolgend leiten wir den Erwartungswert und die Varianz des Schätzers einer
einfachen Zufallsstichprobe her. Um die folgenden Berechnungen sinnvoll durchführen zu kön-
nen, gehen wir zu einer nach der Reihenfolge der Ziehung geordneten Stichprobe (y1 , . . . , yn )
über. Diese entspricht genau der Vorstellung vom Ziehen ohne Zurücklegen. Da die Reihenfolge
berücksichtigt wird, hat jede geordnete Stichprobe die Wahrscheinlichkeit
1 1
= .
N (N − 1) . . . (N − n + 1) N
n!
n
Wir beginnen mit der Wahrscheinlichkeitsverteilung der ersten gezogenen Einheit y1 . Da
alle Einheiten der Population die Wahrscheinlichkeit 1/N haben, im ersten Zug gezogen zu
werden, gilt
1
P(y1 = y) = {i|Yi = y}.
N
Dabei bedeutet das Zeichen die Anzahl der Elemente der entsprechenden Menge. Die
Wahrscheinlichkeit für y ist also die relative Häufigkeit von y in der Grundgesamtheit. Damit
entspricht die Wahrscheinlichkeitsverteilung von y1 der festen, im Allgemeinen unbekannten
empirischen Verteilung des Merkmals Y in der Population. Dieser einfache Zusammenhang
bildet die Basis für die statistische Analyse der einfachen Zufallsstichprobe. Als erste Folgerung
ergibt sich
N
E(y1 ) = Yi = Ȳ .
N
i=1
Im zweiten Schritt zeigen wir, dass die Wahrscheinlichkeitsverteilung von yk für alle k
identisch ist. Das heißt insbesondere, dass die Wahrscheinlichkeitsverteilung des k-ten Zuges
gleich der Wahrscheinlichkeitsverteilung des ersten Zuges ist. Man beachte, dass es sich da-
bei um die Verteilung von yk ohne Betrachtung der vorherigen Ziehungen handelt. Wenn die
Ziehungen vor k bekannt sind, ist die obige Aussage nicht mehr gültig. Intuitiv lässt sich die
Aussage damit begründen, dass das Ziehen ohne Zurücklegen im Prinzip auch in einem Schritt
erfolgen kann. Damit ist die Nummerierung der gezogenen Elemente eigentlich unerheblich
und hat daher keinen Einfluss auf die Verteilung. Dieses Argument kann wie folgt formalisiert
werden:

(i 1 , i 2 , . . . , i n )|yik = y, i k , il {1, . . . , N }, i k = il für k = l
P(yk = y) = N .
n n!
Die Wahrscheinlichkeit entspricht also der Zahl aller Stichproben, bei denen an der k-ten
Stelle ein Element mit der Ausprägung y gezogen wird, geteilt durch die Gesamtzahl aller
Stichproben. Die Anzahl im Zähler ist offensichtlich nicht vom Index k abhängig. Daher gilt
P(yk = y) = P(y1 = y).
Damit entsprechen auch die Verteilungen der anderen Züge der empirischen Verteilung des
Merkmals in der Population. Somit können wir auf einfache Weise den Erwartungswert des
Stichprobenmittels berechnen:

1
n
1
n
1
E Ȳ E S = E yk = E(yk ) = n E(y1 ) = Ȳ .
n n n
k=1 k=1
Die Varianz von Ȳ E S ergibt sich wie folgt:

1
n
1 n n 1
n
Var Ȳ E S = Var yk = 2 Cov(yk , yl ) + 2 Var(yk ).
n n k=1 l=1 n
k=1 k=1
k=l
Für die Einzelvarianzen Var(yk ) gilt:
1
2
N
Var(yk ) = Var(y1 ) = E y12 − (E(y1 ))2 = Yi − Ȳ 2 = S 2 .
N
i=1
Zur Berechnung der Kovarianzen Cov(yk , yl ) benutzen wir wie oben die Symmetrieeigen-
schaft des Ziehens ohne Zurücklegen. Es gilt für k = l:

(i1 , . . . , i n )|yik = y (1) , yil = y (2) , i k , il {1, . . . , N }, i k = il für k = l
P(yk = y (1) , yl = y (2) ) = N .
n n!
Auch hier ist diese Wahrscheinlichkeit nicht von den Indizes k und l abhängig. Damit ist die
gemeinsame Wahrscheinlichkeitsverteilung von yk und yl identisch mit der von y1 und y2 und
es gilt
Cov(yk , yl ) = Cov(y1 , y2 ).
Es bleibt somit die Kovarianz Cov(y1 , y2 ) zu berechnen. Für diese gilt
N
E(y1 y2 ) = Yi Y j
N (N − 1)
i=1 j=1
i= j
N
1
N
= Yi Y j − Yi2
N (N − 1) N (N − 1)
i=1 j=1 i=1
N2 1
N
= Ȳ 2 − Yi2 .
N (N − 1) N (N − 1)
i=1
Cov(y1 , y2 ) = E(y1 y2 ) − E(y1 ) E(y2 )
1
2
N
1 1
= Ȳ 2 − Yi
N −1 N −1 N
i=1
1
=− S2.
N −1

1 1 1
Var Ȳ E S = 2 · n (n − 1) · − S2 + 2 n S2
n N −1 n

S2 n−1
= 1−
n N −1
S2 N − n
= .
n N −1

1
n
E(s 2 ) = E (yk − ȳ)2
n−1
k=1
n
1
= E yk2 − n ȳ 2
n−1
k=1
1
= n (Y¯2 ) − n (E( ȳ))2 + Var( ȳ)
n−1

1 1 N −n 2
= n (Y¯2 ) − n Ȳ 2 − n S
n−1 n N −1

1 N −n 2
= nS 2 − S
n−1 N −1
N
= S2 .
N −1
Aus E(s 2 ) = S 2 NN−1 folgt nun unmittelbar

E Var Ȳ E S = Var Ȳ E S .
2.6.3 Konfidenzintervalle
Die Varianz (bzw. die Standardabweichung) ist nur ein mögliches Maß, um die Un-
sicherheit des Schätzers anzugeben. Eine anschauliche und in der Praxis verbrei-
tete Alternative dazu ist die Angabe eines Bereiches (eines Intervalls), in dem der
wahre Wert liegen soll. Man spricht im Allgemeinen von „Intervallschätzung“ und
verlangt, dass dieser Bereich den wahren Wert mit einer vorgegebenen Wahrschein-
lichkeit von 95 bzw. 99% (auch andere Werte sind möglich) enthält. Um ein solches
Intervall zu erhalten, benötigt man die Verteilung des Schätzers. Hierzu benutzt man
das Konzept des Zentralen Grenzwertsatzes.
In seiner einfachsten Form besagt der Zentrale Grenzwertsatz, dass die Summe
von unabhängigen und identisch verteilten Zufallsgrößen für wachsenden Stichpro-
benumfang approximativ normalverteilt ist. Diese Aussage lässt sich auf den Fall
einer Stichprobe aus einer endlichen Grundgesamtheit übertragen. Hier haben wir
jedoch mit der zusätzlichen Hürde zu kämpfen, dass der Ziehungsprozess ohne Zu-
rücklegen erfolgt und somit die gezogenen Elemente (und damit die Zufallsgrößen
yk ) nicht unabhängig sind. Allerdings lässt sich unter weiteren technischen Voraus-
setzungen eine asymptotische Theorie für Stichprobenszenarien entwickeln, aus der
auch die approximative Normalverteilung des Stichprobenmittels für große Stich-
proben und große Grundgesamtheiten folgt, siehe dazu etwa Thompson (2002).
Weiter wurde in verschiedenen Simulationsstudien gezeigt, dass die asymptotische
Normalverteilung in vielen praktischen Fällen angemessen erscheint, siehe dazu et-
wa Cochran (1977). Wir veranschaulichen die asymptotische Normalität an einem
kleinen Simulationsbeispiel.
Beispiel 2.12: Nehmen wir an, unsere Population bestehe aus den 100
Elementen
√ √ √ √
Y1 = 1, Y2 = 2, ..., Y99 = 99, Y100 = 100.
Wir ziehen nun eine einfache Zufallsstichprobe vom Umfang n, wobei wir ex-
emplarisch n = 5, 10 bzw. 20 setzen, was einem Auswahlsatz von 5, 10 bzw. 20%
entspricht. In Abb. 2.4 zeigen wir die Verteilung von Yi in der Population und von

Ȳ E S , basierend auf 20 000 simulierten Stichproben. Es ist ersichtlich, dass die
Verteilung von Ȳ E S schon bei kleinem Stichprobenumfang einer Normalvertei-
lung folgt, welche in den Graphiken als klassische Glockenkurve eingezeichnet
ist.
Wir erweitern die Simulation auf den Fall einer kleineren Population und da-
mit auf einen veränderten Auswahlsatz. Hierzu reduzieren wir N auf 25 mit den
Werten
√ √ √ √
Y1 = 1, Y2 = 2, ..., Y24 = 24, Y25 = 25.
Wieder ziehen wir n = 5, 10 bzw. 20 Individuen durch eine einfache Zufalls-

stichprobe. Abbildung 2.5 zeigt die Verteilung von Ȳ E S , wieder basierend auf
20 000 Simulationen. Ist der Auswahlsatz groß (hier jetzt 20, 40 bzw. 80%), so ist
ersichtlich, dass die Glockenkurve, also die Normalverteilung, die Verteilung von

Ȳ E S ebenfalls gut approximiert. Außerdem ist die Varianz des Schätzers kleiner.
In Abb. 2.5 ist nämlich zu beachten, dass die x-Achse jetzt nur noch bis 5 anstatt
bis 10 reicht.
Population
Population
0.0 0.4 0.8
2 4 6 8 10
Y
n=5
0.4
Histogramm
0.2
0.0
2 4 6 8 10
arithmetisches Mittel
n=10
Histogramm
0.3
0.0
2 4 6 8 10
n=20
0.8
Histogramm
0.4
0.0
2 4 6 8 10
Abb. 2.4 Population und Verteilung von

Ȳ E S für verschiedene Stichprobenumfänge (N = 100)
Population
Population
0.0 0.4 0.8
1 2 3 4 5
Y
n=5
0.0 0.4 0.8
Histogramm
1 2 3 4 5
n=10
Histogramm
0.0 0.6 1.2
1 2 3 4 5
n=20
Histogramm
0 1 2 3
1 2 3 4 5
Abb. 2.5 Population und Verteilung von

Ȳ E S für verschiedene Stichprobenumfänge (N = 25)
Wir notieren die approximative Normalverteilung durch

Ȳ ∼ N Ȳ , Var
a
Ȳ .
Mit dieser Verteilungsannahme berechnen wir nun ein Intervall, das den ge-
suchten Parameter mit vorgegebener Wahrscheinlichkeit enthält. Dieses sogenannte
Konfidenzintervall ist bestimmt durch

Ȳ − 1, 96 Var Ȳ , Ȳ + 1, 96 Var Ȳ .
Der Faktor 1,96 wird aus der Normalverteilungsannahme und der geforderten
Überdeckungswahrscheinlichkeit abgeleitet, die konventionell auf 95% gesetzt ist.
Somit können wir sagen, dass

P Ȳ Ȳ ± 1, 96 Var Ȳ ≈ 0, 95.
Das Konfidenzintervall beinhaltet also mit einer Wahrscheinlichkeit

von 95% den
unbekannten Parameter der Population. Allgemein wird das 1 − α2 -Quantil z 1− α2
der Standardnormalverteilung für ein Konfidenzintervall mit der Überdeckungs-

wahrscheinlichkeit 1 − α verwendet, welches
für α = 0, 05 den Wert 1,96 liefert
und für α = 0, 01 den Wert 2,58. Da Var
Ȳ nicht bekannt ist, schätzt man diese

durch Var Ȳ .
Konfidenzintervall
Unter der Annahme, dass ein Schätzer

Ȳ approximativ normalverteilt ist,
ergibt sich ein 95% Konfidenzintervall durch

Ȳ − 1, 96 Var Ȳ , Ȳ + 1, 96 Var Ȳ .
Ein (1 − α)-Konfidenzintervall hat die Form

Ȳ − z Var
Ȳ ,
Ȳ + z 1− α2 Var
Ȳ .
1− α2

wobei z 1− α2 das 1 − α2 -Quantil der Standardnormalverteilung ist.
Generelle und allgemeingültige Faustregeln, ab welchem Stichprobenumfang

die approximative Normalität greift, können nicht gegeben werden. Die Faustregel
n ≥ 30, die an verschiedenen Stellen der statistischen Literatur geliefert wird, ist im
Stichprobenfall sicher nur dann sinnvoll anzuwenden, wenn N hinreichend groß ist.
Asymptotische Aussagen beruhen auf der Annahme, dass n, N und N −n ansteigen,
was aus praktischen Gesichtspunkten fraglich ist, da N der feste, gegebene Popula-
tionsumfang ist. Die Interpretation, dass mit 95% Überdeckungswahrscheinlichkeit
das Intervall (den unbekannten Parameter) Ȳ überdeckt, kann daher fragwürdig sein,
falls n klein oder n/N groß ist. Dies gilt insbesondere dann, wenn in der Grundge-
samtheit extreme Werte vorliegen.
In der Literatur wird manchmal vorgeschlagen, statt des Quantils z 1− α2 der Stan-
dardnormalverteilung das entsprechende Quantil der t-Verteilung zu verwenden
(siehe z.B. Cochran 1977; An & Watts 2000), da die Unsicherheit bei der Schätzung
der Varianz damit berücksichtigt wird. Da aber die Verwendung der t-Verteilung
aus der Normalverteilungsannahme für die Verteilung des Merkmals in der Grund-
gesamtheit hergeleitet wird und diese in unserem Fall meist verletzt ist, ist auch
dieses Vorgehen problematisch. Außerdem sind die Unterschiede für Stichproben
vom Umfang n ≥ 30 praktisch vernachlässigbar.
2.6.4 Schätzung von Anteilen

In vielen Fragestellungen ist man an der Bestimmung eines Anteils interessiert. Bei-
spielsweise soll durch eine Umfrage der Anteil der Studierenden bestimmt werden,
die gegen die Einführung von Studiengebühren prinzipiell keine Einwände haben.
In völliger Analogie zu den obigen Formeln definieren wir nun Yi als die Antwort
der Person i. Wir kodieren mit Yi = 1 die Personen, die auf die gestellte Frage mit
„ja“ antworten und mit Yi = 0 die negativen Antworten. Für die in die Stichprobe
gezogenen Merkmalsträger beobachten wir yk mit yk = 1 oder yk = 0. Interessiert
sind wir an dem Anteilswert
N
P= Yi ,
N
i=1
der dem arithmetischen Mittel der Yi entspricht. Die Größe P ist somit der (un-
bekannte) Anteil der Studierenden, die keine Einwände gegen die Einführung von
Studiengebühren haben.
In der Grundgesamtheit sind also N · P Personen mit Yi = 1 und N · (1 − P)
Personen mit Yi = 0. Da wir bisher keine Voraussetzungen an die möglichen Werte
Y gestellt haben, können die bisherigen Überlegungen auch auf diesen Fall ange-
wendet werden. Durch die besonders einfache Struktur ergeben sich zusätzliche
Möglichkeiten der Inferenz. Für die Varianz in der Grundgesamtheit gilt:
N
1
S2 = (Yi − Ȳ )2 = N P(1 − P)2 + N (1 − P)(0 − P)2 = P(1 − P).
N N
i=1
Basierend auf einer Stichprobe schätzen wir P durch
n
E S = p = 1
P yk .
n
k=1
Als Varianz von p ergibt sich

S2 N − n P(1 − P) N − n
Var Ȳ E S = Var( p) = · = · .
n N −1 n N −1
Insbesondere hängt die Varianz von p vom unbekannten Anteil P ab. Dieser
kann wiederum geschätzt werden und man erhält die geschätzte Varianz
p(1 − p) N − n
Var
Ȳ E S = Var( p) = . (2.1)
n−1 N
Das Vorgehen bei der Anteilsschätzung entspricht dem Vorgehen bei der Mittel-
wertschätzung eines mit den Werten 0 und 1 kodierten Merkmals. Die Varianzschät-
zung entspricht ebenso dem Vorgehen bei der

Mittelwertschätzung.
Entsprechend

kann man das 95%-Konfidenzintervall durch p − 1, 96 Var(
p); p + 1, 96 Var( p)
bestimmen.
Anteilsschätzung bei einer einfachen Zufallsstichprobe
Gegeben sei die Stichprobe y1 , . . . , yn vom Umfang n,

gezogen mit dem Design der einfachen Zufallsstichprobe aus einer
Population vom Umfang N . Dabei ist yk ∈ {0, 1}.
Ein unverzerrter Schätzer für den Anteil P = Ȳ in der Grundgesamtheit ist

n
E S = p =
P 1
yk .
n
k=1
E S kann geschätzt werden durch

Die Varianz von P

E S = p(1− p) N −n
Var P n−1 N .
In den meisten Fällen weist das so konstruierte Konfidenzintervall zufrieden-

stellende Eigenschaften auf. Dies ist jedoch nicht der Fall für hohe oder niedrige
Anteilswerte, das heißt für P in der Nähe von 0 oder 1. Dann empfiehlt es sich,
sogenannte exakte Konfidenzintervalle zu berechnen. Dazu benutzen wir die spe-
zielle Struktur der Stichprobe.
N Wir bezeichnen die Anzahl der Personen mit Yi = 1
mit M, das heißt M = i=1 Yi = N · P. Die Anzahl der Beobachtungen
mit yk = 1
in der Stichprobe notieren wir der Konvention folgend mit m = nk=1 yk . Die Wahr-
scheinlichkeitsverteilung von m kann nun durch die sogenannte hypergeometrische
Verteilung charakterisiert werden. Die Wahrscheinlichkeitsfunktion lautet
M N −M

n
m n−m
P yk = m = N .
k=1 n

Im Zähler steht genau die Anzahl der Stichproben, die zum Wert nk=1 yk = m
führt. Für Erwartungswert und Varianz der hypergeometrischen Verteilung gilt

n
E yk = n P,
k=1

n
N −n
Var yk = n P (1 − P) .
N −1
k=1
Nach Division durch n erhält man die entsprechenden Werte für die Anteilsschät-
zung. Um ein (1 − α)-Konfidenzintervall zu erhalten, setzen wir nk=1 yk = m und
wählen nun als untere beziehungsweise obere Grenze für das unbekannte M die
Größen U und O, so dass gilt

m O N −O
r n−r
N = α1 , (2.2)
r =0 n (2.3)
U N −U

r
n
n−r
N = α2 . (2.4)
r =m n
α1 + α2 ≤ α.
Damit ist [U ; O] ein (1 − α)-Konfidenzintervall für den Parameter M. Entspre-

chend ist [U/N ; O/N ] ein (1 − α)-Konfidenzintervall für den Anteil P.
Konfidenzintervall für Anteile
Gegeben sei die Stichprobe y1 , . . . , yn vom Umfang n,

gezogen mit dem Design der einfachen Zufallsstichprobe aus einer
Population vom Umfang N . Dabei ist yk ∈ {0, 1}.
Ein unverzerrter Schätzer für den Anteil P = Ȳ in der Grundgesamtheit ist

n
E S = p =
P 1
yk .
n
k=1
Für große Stichprobenumfänge und mittlere Anteile

p (wobei n · p · (1 − p) > 10)
hat das (1 − α)-Konfidenzintervall die Form

p·(1− p) N −n p·(1− p) N −n
p−z 1− α2 · n−1 · N ; p+z 1− α2 · n−1 · N ,

U
Ein exaktes (1 − α)-Konfidenzintervall ist gegeben durch N; N
O
. falls gilt
m −O
(Or ) ( Nn−r )
= α1 ,
r =0 (n )
N
n −U
(Ur ) ( Nn−r )
= α2 ,
r =m (n )
N
α1 + α2 ≤ α.
Auch wenn das Konzept der Bestimmung des exakten Konfidenzintervalls relativ
einfach ist (siehe dazu auch Thompson 2002), ist die konkrete Umsetzung nur in
einfachen Beispielen ohne den Einsatz eines Computers realisierbar. Zur numeri-
schen Umsetzung siehe Abschn. 2.12.3. Weitere Probleme liegen in der Wahl von
α1 und α2 . Zunächst wäre die Wahl von α1 = α2 = α/2 eine sinnvolle Wahl.
Allerdings lassen sich auf Grund der Beschränkung auf ganze Zahlen U und O nicht
so bestimmen, dass die beiden obigen Gleichungen exakt erfüllt sind. Also wird in
den meisten Fällen α1 + α2 < α gewählt, was letztendlich zu einem Konfidenzin-
tervall führt, dass ein höheres Konfidenzniveau hat. Wir illustrieren dies an einem
Beispiel.
Beispiel 2.13: In einem Betrieb mit N = 300 Mitarbeitern möchte die Fir-
menleitung von ihren Angestellten wissen, welche Maßnahmen diese zur Ver-
besserung des Betriebsklimas für geeignet halten. Dabei wurden unter anderem
die folgenden zwei Fragen gestellt, welche mit ja oder nein beantwortet werden
konnten: „Wünschen Sie sich flexiblere Arbeitszeiten?“ und „Wünschen Sie sich
einen Betriebskindergarten?“. Es wurden n = 100 Personen befragt. Die Firmen-
leitung interessiert sich für die Anteilswerte P1 und P2 der zwei Fragen. Frage
1 wurde von m 1 = 45 Personen und Frage 2 von m 2 = 2 Personen mit „Ja“
beantwortet. Die Anteilsschätzungen sind nun
45
p1 = = 0, 45
100
2
p2 = = 0, 02.
100
Die entsprechenden Konfidenzintervalle nach der approximativen Methode
werden wie folgt berechnet
0, 45 (1 − 0, 45) 300 − 100

Var( p1 ) = = 0, 00167
99 300
0, 02 (1 − 0, 02) 300 − 100

Var( p2 ) = = 0, 00013
99 300
und es ergibt sich das 95%-Konfidenzintervall für p1 zu

0, 45 − 1, 96 0, 00167; 0, 45 + 1, 96 0, 00167 = [0, 370; 0, 530],
wohingegen das 95%-Konfidenzintervall für p2 die Werte

0, 02 − 1, 96 0, 000132; 0, 02 + 1, 96 0, 000132 = [−0, 003; 0, 043]
annimmt. Das zweite Konfidenzintervall hat eine negative untere Grenze, was
klarerweise wenig informativ ist. Eine Korrektur dieser Grenze auf 0 ist insofern
auch nicht sehr hilfreich, da in der Stichprobe bereits 2 Personen sind, die die
Frage 2 mit „Ja“ beantworten. Daher ist der gesuchte Anteil p2 in der Population
mindestens 2/300, also größer als 0.
Die Berechnung des exakten Konfidenzintervalls liefert (siehe dazu numeri-
sche Umsetzung in 2.12) das exakte 95%-Konfidenzintervall für p1 zu
[0, 366; 0, 537],
wohingegen das exakte 95%-Konfidenzintervall für p2 nun lautet
[0, 006; 0, 064].
Die Grenzen der beiden exakten Konfidenzintervalle entsprechen den Anzah-

len [110; 161] bzw. [2; 19] in der Grundgesamtheit. Für p1 sind exaktes und
approximatives Konfidenzintervall praktisch identisch. Für p2 hingegen ergeben
sich Unterschiede und das exakte Konfidenzintervall ist klar zu bevorzugen.
Wie das Beispiel zeigt, ist es sinnvoll, insbesondere für kleine Anteile exakte
Konfidenzintervalle zu berechnen. Ist der Umfang der Grundgesamtheit im Ver-
gleich zur Stichprobe groß, so kann man auch Konfidenzintervalle für das Ziehen
mit Zurücklegen verwenden, welche im folgenden Abschnitt behandelt werden.
Manchmal kann es bei kleinen Wahrscheinlichkeiten auch von Interesse sein, nur
eine obere Grenze anzugeben. Das führt zu sogenannten einseitigen Konfidenzin-
tervallen mit Untergrenze 0. Dies kann bei den exakten Konfidenzintervallen durch
Wahl von α1 ≤ 0, 05 und α2 = 0 realisiert werden.
Beispiel 2.14: Bei einem Tierbestand von N = 10 000 Tieren soll eine obere
Grenze für den Anteil der mit einer seltenen Krankheit infizierten Tiere angege-
ben werden. Dazu wurde eine einfache Zufallsstichprobe vom Umfang n = 500
gezogen. Dabei war ein Tier infiziert, was einem Anteil von 0, 2% entspricht.
Das einseitige Konfidenzintervall ergibt sich zu [0; 0, 0093]. Die obere (95%-
Konfidenz-) Grenze liegt also bei 0, 93%.
Bei der Benutzung der approximativen Normalverteilung (siehe Kasten S. 28)
erhält man einseitige Konfidenzintervalle (obere bzw. untere Grenze) durch An-
wendung des (1 − α)-Quantils statt des 1 − α2 -Quantils der Normalverteilung.
Es lautet dann

E S + z 1−α ·
0; P V ar E S
P
bzw.

E S − z 1−α ·
P V ar E S ; 1 .
P

2.7 Ziehen mit Zurücklegen

Wir wollen nun die Stichprobenziehung leicht verändern und erlauben, dass ein
Individuum auch mehrmals in die Stichprobe gezogen werden kann. Dies wird im
statistischen Jargon „Ziehen mit Zurücklegen“ genannt. Dieses Vorgehen führt da-
zu, dass die einzelnen Ziehungen voneinander unabhängig sind. Jedes Individuum
hat unabhängig von den vorherigen Zügen die Wahrscheinlichkeit 1/N , im k-ten
Zug gezogen zu werden. Wir befinden uns also im klassischen Fall der Statistik,
der sogenannten unabhängig und identisch verteilten Stichprobe (engl.: i.i.d.
für independent and identically distributed). Wir wollen die Konsequenzen dieses
Ansatzes anhand des Beispiels in Abschn. 2.6.2 betrachten.
Beispiel 2.15: Aus der Population mit
Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22
ziehen wir nun mit Zurücklegen, d.h. ist ein Individuum gezogen, so wird der
Wert von Y notiert und das Individuum wird in die Population „zurückgelegt“.
Im nächsten Zug kann es somit noch einmal gezogen werden. Im Falle von Zie-
hen mit Zurücklegen ergeben sich damit die folgenden Stichproben, wobei die
Reihenfolge der Ziehung berücksichtigt wird:
Gezogene Individuen Mittelwert Wahrscheinlichkeit
1 1 1 9,00 1/125
1 1 2 9,33 1/125
1 1 3 9,67 1/125
1 1 4 12,00 1/125
1 1 5 13,33 1/125
··· ··· ···
5 5 1 17,67 1/125
5 5 2 18,00 1/125
5 5 3 18,33 1/125
5 5 4 20,67 1/125
5 5 5 22,00 1/125
Wir bezeichnen den entsprechenden Mittelwertschätzer als Ȳ M Z , wobei der

Index als Abkürzung für Mit Zurücklegen steht. Die Wahrscheinlichkeitsvertei-
lung des Schätzers ist in Abb. 2.6 dargestellt. Zum Vergleich ist die Wahrschein-
lichkeitsverteilung von
Ȳ E S dargestellt, wie sie in Abschn. 2.6 hergeleitet wurde,
also die Verteilung bei einem Ziehungsprozess ohne Zurücklegen. Es ist deutlich
zu erkennen, dass die Varianz beim Ziehen mit Zurücklegen größer ist als beim
Ziehen ohne Zurücklegen, die Wahrscheinlichkeitsverteilung weist also eine hö-
here Streuung auf.
2.7 Ziehen mit Zurücklegen 35
Ziehen ohne Zuruecklegen
0.12
Wahrscheinlichkeit
0.08
0.04
0.0
10 12 14 16 18 20 22
Schaetzer
Ziehen mit Zuruecklegen
0.12
Wahrscheinlichkeit
0.08
0.04
0.0
10 12 14 16 18 20 22
Schaetzer
Abb. 2.6 Verteilung von

Ȳ beim Ziehen ohne und mit Zurücklegen
Berechnet man nun Erwartungswert

und Varianz des
Schätzers,
so ergibt sich als

Erwartungswert E Ȳ M Z = 14 und als Varianz Var Ȳ M Z = 8, 67. Allgemein ist

Ȳ erwartungstreu und hat die Varianz
MZ
S2
Var Ȳ M Z = .
n
Diese kann geschätzt werden durch
Mittelwertschätzung bei einer einfachen Zufallsstichprobe

mit Zurücklegen
Gegeben sei eine Stichprobe y1 , . . . , yn vom Umfang n mit Zurücklegen.

Ein unverzerrter Schätzer für den Mittelwert der Population ist
n
Ȳ M Z = ȳ = 1
n k=1 yk .
Die Varianz von

Ȳ M Z kann geschätzt werden durch
n 2
Var Ȳ M Z = 1
n (n−1) k=1 yk −
Ȳ M Z .
1
n

2
Var Ȳ M Z = yk −
Ȳ M Z .
n (n − 1)
k=1
Herleitung: Da alle yk , k = 1, . . . , n, die gleiche Verteilung haben und unabhängig sind,

ergeben sich die obigen Formeln aus den elementaren Rechenregeln für Mittelwert und Varianz
und aus der Verteilung von y1 bei der Stichprobe ohne Zurücklegen.
Ein Vergleich der Varianzen mit und ohne Zurücklegen zeigt, dass die Varianz
beim „Ziehen mit Zurücklegen“ größer ist. Allgemein ist sie um den Faktor (N −1)/
(N − n) größer, der sich aus den zugrunde liegenden Verteilungsmodellen ergibt.
Im Fall der Schätzung eines Anteils erhält man eine Binomialverteilung.
Ziehen mit Zurücklegen für binäre Merkmale

(Binomialverteilung)
Aus einer Grundgesamtheit von N Elementen werden

n Elemente mit Zurücklegen gezogen.
Wir betrachten ein binäres Merkmal mit Werten 0 oder 1.

In der Grundgesamtheit sind M Einsen vorhanden.
Der Anteil der Einsen in der Grundgesamtheit beträgt folglich P = M/N .
Die Wahrscheinlichkeit, dass m von den n gezogenen Elementen

den Wert 1 haben ist
n
P(y = m|P, n) = m P m (1 − P)n−m .

n
Die Anzahl der Einsen y = yi in der Stichprobe
i=1
ist binomialverteilt mit den Parametern
E(y) = n P,
Var(y) = n P(1 − P).
Ein unverzerrter Schätzer für den Anteil P ist

n
M Z =
P 1
yk .
n
k=1
Als Varianzschätzung ergibt sich

Var M Z =
P 1
n P M Z ).
M Z (1 − P
2.8 Bestimmung des Stichprobenumfangs 37
Die Konfidenzintervalle ergeben sich analog zu dem Fall ohne Zurücklegen als

M Z − z 1− α ·
P 2
Var M Z ; P
P M Z + z 1− α ·
2
Var M Z .
P
Als Beispiel wollen wir ein Ergebnis der Sonntagsfrage aus dem Jahr 2009 ana-
lysieren.
Beispiel 2.16: Zur Sonntagsfrage vom 3.7.2009 wurden n = 1 206 wahlberech-

tigte Personen gefragt, welche Partei sie wählen würden, wenn am kommenden
Sonntag Bundestagswahl wäre. Dabei gaben m = 302 Personen an, dass sie die
SPD wählen würden. Damit ergibt sich ein exaktes Konfidenzintervall für den
Anteil von [0,2262; 0,2759], d.h. das für die SPD ein Anteil zwischen 22 und
28% zu erwarten ist.
Es werden in der Literatur auch andere Verfahren zur Bestimmung von Konfi-
denzintervallen diskutiert, siehe dazu z.B. Held (2008). Für kleine Anteile und/oder
kleine Stichproben können auch die exakten Konfidenzintervalle nach Clopper-
Pearson genutzt werden, siehe dazu z.B. Fleiss, Levin und Paile (2003). Eine gute
Alternative ist das Konfidenzintervall nach Wilson, das auf dem Score-Test basiert
und auch für kleine Anteile gut geeignet ist, siehe dazu auch Agresti und Coull
(1998). In der Praxis wird das Ziehen mit Zurücklegen kaum angewendet. Aller-
dings sind bei großen Grundgesamtheiten Ziehen mit und ohne Zurücklegen prak-
tisch identisch. Da insbesondere bei modellbasierten Schätzmethoden, wie wir sie
später im Buch behandeln, die Berechnung der Varianz im Falle des Ziehens mit
Zurücklegen wesentlich einfacher ist, wird diese bei entsprechend großen Popula-
tionen auch der Einfachheit halber angewendet. Man beachte, dass bei der Parame-
terschätzung der Umfang N der Grundgesamtheit nicht eingeht.
2.8 Bestimmung des Stichprobenumfangs
Betrachtet man die Varianz des Schätzers Ȳ E S , so stellt man fest, dass diese mit
wachsendem Stichprobenumfang abnimmt. Dies bedeutet insbesondere, dass Konfi-
denzintervalle mit wachsendem Stichprobenumfang kleiner werden. Inhaltlich lässt
sich dies folgendermaßen interpretieren: Das Ergebnis der Stichprobe wird mit
wachsendem Stichprobenumfang genauer. Wir können nun anders herum fragen,
wie groß eine Stichprobe mindestens sein muss, um eine gewisse Genauigkeit zu
erfüllen. Wir wollen also nun eine gewünschte Genauigkeit vorgeben und damit den
erforderlichen Stichprobenumfang berechnen. Es soll somit der Stichprobenumfang
n so gewählt werden, dass der Schätzwert mit einer vorgegebenen Wahrscheinlich-
keit 1 − α einen Abstand kleiner als e vom wahren Wert hat. Dabei ist e eine
vorgegebene Genauigkeit und 1 − α das Sicherheitsniveau bzw. α die Fehlerwahr-
scheinlichkeit. Als Formel geschrieben heißt das

P Ȳ E S − Ȳ < e ≥ 1 − α,
anders ausgedrückt, die Wahrscheinlichkeit, dass der Schätzer

Ȳ E S um mehr als
e vom unbekannten Populationsmittel Ȳ abweicht, soll höchstens α betragen. Die
obige Formel lässt sich umformen zu
⎛ ⎞

⎜ Ȳ E S − Ȳ e ⎟
P⎜
⎝ <
⎟
⎠ ≥ 1 − α.

Var Ȳ E S
Var Ȳ E S
Daraus ergibt sich mit Hilfe der Normalverteilungsannahme für

Ȳ E S
e
≥ z 1− α2 ,

Var Ȳ E S

wobei z 1− α2 das 1 − α2 -Quantil der Standardnormalverteilung ist. Für die vorge-
α=
gebene Fehlerwahrscheinlichkeit 0, 05 erhalten wir z 1−0,05/2 = z 0,975 = 1, 96.

Einsetzen der Formel für Var Ȳ und quadrieren liefert unter Verwendung von
ES
N −n N −n
≈
N −1 N
e2
≥ z2 α . (2.5)
S2 N − n 1−
2
n N
Lösen wir (2.5) nach n auf, so erhalten wir
S2
n≥ . (2.6)
e2 /z 1−
2
α + S /N
2
2
Ist die Population im Vergleich zur Stichprobe groß, so können wir den Korrek-
turfaktor NN−n für endliche Populationen ignorieren und erhalten die Näherungslö-
sung
S2
n ≥ z 1−
2
α . (2.7)
2 e2
Die übliche Wahl α = 0, 05 ergibt mit z 1−α/2 = 1, 96 ≈ 2 die Faustregel
2
n 4 · Se . Man benötigt also bei großen Populationen nur das Verhältnis S/e,
um den Stichprobenumfang näherungsweise zu bestimmen.
Ein anderer Ansatz zur Bestimmung des notwendigen Stichprobenumfangs ist
es, die erwartete Länge des Konfidenzintervalls vorzugeben. Aus der Form

Ȳ E S − z 1− α2 Var Ȳ E S ,
Ȳ E S + z 1− α2 Var Ȳ E S
des Konfidenzintervalls ergibt sich dessen Länge durch

%
s2 N − n
2 z 1− α2 Var Ȳ E S = 2 z 1− α2 .
n N
Da die Größe s 2 aus der Stichprobe berechnet wird, ist die Länge des Konfi-
denzintervalls zufällig und nicht im Vorfeld bestimmbar. Daher kann man sinnvol-
lerweise auch nur die erwartete
Länge l des Konfidenzintervalls vorgeben. Unter
Berücksichtigung von E s 2 NN−n = S 2 NN −n−1 erhält man
%
S2 N − n
l ≈ 2 z 1− α2 .
n N −1
Damit berechnen wir bei vorgegebener maximaler erwarteter Länge l den not-
wendigen Stichprobenumfang mit der Formel
S2
n ≥ 2 , (2.8)
l
2 /z 1−
2
α + S /N
2
2
wobei wir wiederum die Approximation NN −n −1 ≈

N −n
N verwenden. Ein Vergleich
mit der obigen Strategie zeigt, dass wir für l = 2e identische Stichprobenumfänge
erhalten.
Zur konkreten Bestimmung des Stichprobenumfangs mit Formel (2.6) bzw. (2.8)
ist die Kenntnis der Standardabweichung S des Merkmals in der Population nö-
tig. Vor der Stichprobenziehung ist S jedoch üblicherweise unbekannt. Auch die
Schätzung von S ist hier unmöglich, denn es soll mit (2.6) bzw. (2.8) ja gerade der
Stichprobenumfang geplant werden, d.h. die Stichprobe ist noch nicht gezogen und
somit können keine Größen geschätzt werden. Als Ausweg aus diesem Dilemma
bieten sich zwei Möglichkeiten an:
1. Man ersetzt S in (2.6) bzw. (2.8) durch einen geschätzten Wert aus vorherigen
Erhebungen. In einigen Anwendungen ist das Merkmal in vorherigen Stichpro-
ben schon einmal erhoben worden. In diesem Fall kann man auf solches Wissen
zurückgreifen, um eine Größenvorstellung von S zu bekommen.
2. Man zieht eine sogenannte Pilotstichprobe von kleinerem Umfang n
, wobei n
≤
n angenommen ist. Aus dieser berechnet man einen Schätzer für S und plant
damit den benötigten Stichprobenumfang.
Beide Methoden sind nicht notwendigerweise immer praktikabel. Oftmals lässt
sich jedoch für S eine obere Schranke festlegen, dass heißt ein „worst case“
Szenario. Dieses kann wiederum genutzt werden, um eine Obergrenze des Stich-
probenumfangs festzulegen. Aus der Formel (2.7) ist ersichtlich, dass der Stichpro-
benumfang umgekehrt proportional zum Quadrat der geforderten Genauigkeit e ist.
Das bedeutet, dass man eine Halbierung der Länge des Konfidenzintervalls mit einer
Vervierfachung des Stichprobenumfangs „bezahlen“ muss.
Bestimmung des Stichprobenumfangs bei einer einfachen Zufallsstichprobe
Gegeben sei die Genauigkeit e (erwartete halbe Länge l des

Konfidenzintervalls), das Konfidenzniveau 1 − α und die
Standardabweichung S in der Grundgesamtheit.
Für den nötigen Stichprobenumfang gilt dann:
S2
n≥ .
e2 /z 1−
2
α +S /N
2
2
Beim Ziehen mit Zurücklegen und bei großen Grundgesamtheiten

benutzt man:
S2
n ≥ z 1−
2
α
e2
.
2
Zur Bestimmung von S sind in der Regel eine Pilotstichprobe oder

andere externe Zusatzinformationen erforderlich.
Ist die interessierende Größe ein Anteilswert,

so ergibt sich der Stichprobenumfang durch:
P(1−P)
n≥ ,
e2 /z 1−
2
α +P(1−P)/N
2
bzw.
P(1−P)
n ≥ z 1−
2
α
e2
.
2
Für P verwendet man bei fehlendem Vorwissen den worst case 0,5.
Ist hingegen bekannt, dass P einen Wert Ppriori < 0, 5 unterschreitet
bzw. einen Wert Ppriori > 0, 5 überschreitet,
so kann man diesen Wert als a priori bekannte Grenze in die Formel einsetzen.
Ist die interessierende Größe ein Anteilswert P, so ergibt sich der Stichprobe-
numfang ebenfalls aus Formel (2.6). In diesem Falle ersetzt man jedoch S 2 durch
P(1 − P), so dass sich ergibt
P(1 − P)
n≥ , (2.9)
e2 /z 1−
2
α+ P(1 − P)/N
2
und für N hinreichend groß n ≥ z 1− 2

α P(1 − P)/e . Wir wollen Formel (2.9)
2
2
genauer betrachten. Dazu nehmen wir exemplarisch an, dass wir eine Genauigkeit
von e = 0, 1 fordern. In Tabelle 2.2 sind die Stichprobenumfänge, wie sie sich durch
Formel (2.9) ergeben, für verschiedene Werte von P und N bestimmt. Weiterhin
geben wir in Tabelle 2.3 die benötigten Stichprobenumfänge für große Grundge-
samtheiten (N 10 000) für verschiedene Genauigkeiten e an. Hier unterscheiden
wir die Fälle P = 0, 5 und P = 0, 1. Bemerkenswert ist, dass für eine Genauigkeit
von einem Prozentpunkt (e = 0, 01) bei Anteilswerten mit P = 0, 5 der hohe
Stichprobenumfang von fast 10 000 Personen erforderlich ist. Bei der Befragung
von 1 000 Personen ergibt sich eine Genauigkeit von etwa drei Prozentpunkten.
Das bedeutet z.B. für Befragungen zur Wahlabsicht, dass Stichprobenumfänge von
unter 2 000 ohne weitere methodische Verbesserungen nur ungenaue Ergebnisse
liefern.
In Abb. 2.7 ist der geforderte Stichprobenumfang gemäß Formel (2.9) für ver-
schiedene Populationsgrößen aufgetragen. Es zeigt sich, dass der geforderte Stich-
probenumfang für große Populationen nicht vom Populationsumfang abhängt. Das
bedeutet inhaltlich, fordert man in einer Stichprobe eine gewisse Genauigkeit, so
wird diese mit einer Stichprobe mit Mindeststichprobenumfang wie in Formel (2.9)
bestimmt erreicht, egal wie groß die Population ist. In der Praxis bedeutet dies zum
Beispiel, dass es bei Überlegungen zur Stichprobengröße und der damit verbunde-
nen Schätzgenauigkeit unerheblich ist, ob die zugehörige Population die Münchner
Bevölkerung oder die Bevölkerung Deutschlands ist. Die häufig verwendete Strate-
Tabelle 2.2 Notwendiger Stichprobenumfang bei einer geforderten Genauigkeit von e = 0, 1 für
den Anteilswert
P N = 10 N = 100 N = 1 000 N = 10 000
0,2 9 39 58 62
0,3 9 45 75 81
0,4 10 48 85 92
0,5 10 49 88 96
Tabelle 2.3 Notwendiger Stichprobenumfang für große Grundgesamtheiten (N 10 000), aus-

gehend von einem Sicherheitsniveau von 1 − α = 95%
e P = 0, 5 P = 0, 1
0,1 97 *
0,05 385 139
0,03 1068 385
0,02 2401 865
0,01 9604 3458
* P = 0, 1 bedeutet, dass a priori bekannt ist, dass der wahre Anteil kleiner als 0,1 ist. Daher ist
e = 0, 1 offensichtlich keine sinnvolle Vorgabe.
Einfluss von P (e=0.1)
Stichprobenumfang n
80
60
P=0.5
40
P=0.4
P=0.25
20
P=0.1
0 500 1000 1500 2000 2500 3000

Populationsumfang N
Einfluss von e (P=0.5)

Stichprobenumfang n
1000
600
e=0.02
e=0.05
0 200
e=0.10
0 500 1000 1500 2000 2500 3000

Populationsumfang N
Abb. 2.7 Stichprobenumfang in Abhängigkeit von der Populationsgröße für verschiedene Werte
von P und e
gie, den Auswahlsatz n/N ohne Berücksichtigung der Populationsgröße festzulegen

(z.B. „3%-Stichprobe“) ist damit in vielen Fällen unsinnig.
Wie bei einer Stichprobe zu einem metrischen Merkmal besteht auch für den
Anteilswert P bei Stichprobenplanung das Problem, dass der explizite Wert von P
unbekannt ist. Wie aus Tabelle 2.2 ersichtlich, ist der benötigte Stichprobenumfang
für P = 0, 5 am größten, was daran liegt, dass die Funktion P ·(1− P) ihr Maximum
bei P = 0, 5 hat. Daher ist die Wahl von P = 0, 5 das „Worst Case“ Szenario,
womit man immer auf der sicheren Seite ist. Falls aber P = 0, 5 unrealistisch ist,
ist es sinnvoll, zur Stichprobenplanung eine obere Schranke von P zur Grundlage
der Planung zu machen. Ansonsten wird der Stichprobenumfang unnötig groß, was
aus Kostengründen zu vermeiden ist.
Wenn man bei einer ausführlichen Befragung mit vielen Merkmalen vor der Fra-
ge steht, wie groß der Stichprobenumfang gewählt werden sollte, sind die Überle-
gungen für Anteilsschätzungen oft hilfreich. Man kann sich überlegen, mit welcher
Genauigkeit man Anteile von Antwortkategorien auf die Fragen schätzen will. Bei
großer Grundgesamtheit ergibt sich aus Tabelle 2.3 für n = 97 eine Genauigkeit
von e = 0, 1 (10 Prozentpunkte) im „Worst Case“ von P = 0, 5. Diese ist dann für
alle Fragen gültig. Bei einer Anforderung von e = 0, 05 (5 Prozentpunkte) ist ein
Stichprobenumfang von n = 385 nötig.
2.9 Systematische Stichprobe

Bei der einfachen Zufallsstichprobe wird für jeden Zug eine neue Zufallsvariable
gezogen. Dies kann aufwendig sein und ebenso zu zufälligen, vielleicht aber uner-
wünschten Gruppierungen führen. Es zeigt sich, dass eine systematische Stichprobe
2.9 Systematische Stichprobe 43
insbesondere dann von Vorteil ist, wenn die Population mit einer Ordnung oder Ab-
hängigkeitsstruktur versehen ist. Wir ziehen in diesem Falle nicht mehr n Elemente
zufällig aus der Population, sondern wenden eine Systematik an, indem wir jedes
p-te Individuum der Population in die Stichprobe aufnehmen. Zur Ziehung einer
systematischen Stichprobe muss damit eine Zufallszahl aus den Zahlen 1 bis p mit
p = N /n gezogen werden, wobei der Einfachheit halber angenommen wird, dass
N /n ganzzahlig ist. Diese Zufallszahl gibt das erste zu ziehende Element an und
entsprechend ist die zu ziehende Stichprobe vollständig bestimmt. Wir wollen dazu
ein einfaches Beispiel betrachten.
Beispiel 2.17: Nehmen wir an, eine Population bestehe aus den Werten
Y1 = 10, Y2 = 30, Y3 = 80, Y4 = 20, Y5 = 70, Y6 = 90
und wir ziehen eine systematische Stichprobe vom Umfang n = 2. Wir wählen
dabei p = 3 und ziehen eine Zufallszahl j aus den Werten 1 bis p mit einer
Gleichverteilung. Die Stichprobe ergibt sich dann gemäß Y j , Y j+ p (im Allgemei-
nen gemäß Y j , Y j+ p , . . . , Y j+(n−1) p ). Wir erhalten somit die folgenden mögli-
chen Stichproben
Gezogene Individuen ȳ Wahrscheinlichkeit

1 4 15 1/3
2 5 50 1/3
3 6 85 1/3

Eine wichtige Eigenschaft bei systematischen Stichproben ist, dass die Anzahl
der möglichen Stichproben klein ist, nämlich genau p. Als Schätzer für den Mittel-
wert ergibt sich bei der systematischen Stichprobe in allgemeiner Form
n

Ȳ syst = Y j+(k−1) p ,
n
k=1
wobei wir, wie schon gesagt, der Einfachheit halber annehmen, dass N /n eine ganze
Zahl ist, so dass n = N / p gilt. Zur Bestimmung der Varianz von Ȳ syst gehen wir
weiter davon aus, dass die Ordnung der Elemente zufällig ist. In diesem Fall können
wir die Varianz schätzen durch
s2 N − n
Var Ȳ syst = ,
n N
was der Varianz einer einfachen Zufallsstichprobe entspricht. Die Voraussetzung,
dass die Elemente der Population zufällig geordnet sind, ist dabei essentiell. Ist diese
Voraussetzung verletzt, hängt es entscheidend von der tatsächlichen Ordnung ab, ob
die oben gegebene Varianz eine Über- oder Unterschätzung liefert. Da wir aber im
Allgemeinen keine Information über die Ordnung haben, ist die obige Varianzbe-
rechnung durchaus gerechtfertigt. Im Prinzip kann eine systematische Stichprobe
auch als eine Cluster-Stichprobe aufgefasst werden, wie sie in Abschn. 5.2 vorge-
stellt wird. Wir werden diesen Punkt dort noch einmal aufgreifen.
Systematische Stichprobe
Die Population bestehe aus N Elementen, von denen n zufällig ausgewählt

werden. Es sei p = N /n ganzzahlig und j eine Zufallszahl aus {1, 2, . . . , p}.
Ein unverzerrter Schätzer für den Mittelwert Ȳ ist

n
Ȳ syst = 1
n Y j+(k−1) p .
k=1
Die Varianz kann geschätzt werden durch
n
2
Var Ȳ syst = N −n 1
N n(n−1) Y j+(k−1) p −
Ȳ syst .
k=1
Beispiel 2.18: Ein Wirtschaftsprüfer möchte die Rechnungen eines Unterneh-

mens prüfen. Dabei entscheidet er sich für eine systematische Stichprobe mit
folgendem Vorgehen: Von den in Frage kommenden Rechnungen wird jede p-te
in die Stichprobe gezogen und einer genauen Prüfung unterzogen. Die erste zu
ziehende Rechnung wird jedoch zufällig ausgewählt, indem eine Zufallsvariable
zwischen 1 und p gezogen wird, welche die erste Rechnung, die in die Stichprobe
aufgenommen wird, bestimmt.
Beispiel 2.19: Ein großes Gewässer soll bezüglich seines Schadstoffgehalts un-
tersucht werden. Dazu wird das Gewässer in Planquadrate eingeteilt, die von 1 bis
N durchnummeriert werden. Der Einfachheit halber betrachten wir nur die Plan-
quadrate, die vollständig über dem See verteilt liegen. Aus diesen Planquadra-
ten werden n zufällig ausgewählt und anschließend per Wasserprobe untersucht.
Schematisch lässt sich dies wie in der linken Graphik in Abb. 2.8 darstellen. Die
zufällig gewählten Planquadrate sind dabei schraffiert dargestellt. Die Wahl der
Planquadrate ist zufällig, und ebenso zufällig kann es zu einer Gruppierung von
benachbarten Planquadraten kommen. Die gezogene Stichprobe erscheint unvor-
teilhaft, insbesondere da davon auszugehen ist, dass die Wasserqualität in einem
Planquadrat ähnlich ist zu denen der Nachbarplanquadrate, das heißt zwischen
den Messungen in benachbarten Planquadraten kann eine Abhängigkeit bestehen.
Um diesen Punkt zu berücksichtigen, wollen wir eine systematische Stichprobe
ziehen. Hierbei wählt man die Planquadrate in einer systematischen Form aus.
2.10 Beispiel 45
Die Zufälligkeit besteht nun darin, das erste Planquadrat auszuwählen, die ver-
bleibenden Planquadrate sind damit durch das systematische Muster bestimmt.
Schematisch ist dies in der rechten Skizze von Abb. 2.8 gezeigt, wobei wir hier
jedes 4-te Planquadrat in die Stichprobe aufnehmen. Je nachdem welches Plan-
quadrat der ersten vier Planquadrate gezogen wird (1, 2, 3 oder 4) ist der Rest der
Stichprobe systematisch bestimmt. Die Zufälligkeit besteht also in der Auswahl
des ersten Quadrats.
Abb. 2.8 Einfache Zufallsstichprobe (links) und systematische (zufällige) Stichprobe (rechts), ge-
zogene Planquadrate sind jeweils schraffiert.
2.10 Beispiel
Wir besprechen nun ein Beispiel aus der Praxis, um die Methoden des Kapitels
zu veranschaulichen. Das Beispiel bezieht sich auf eine große Population und wir
werten es nach dem Prinzip einer Ziehung mit Zurücklegen aus.
Beispiel 2.20: Im Rahmen der Diskussion um die Finanzierung der baye-
rischen Hochschulen kam es 2004 nach den Kürzungsbeschlüssen der Baye-
rischen Staatsregierung zu Demonstrationen und anderen Formen des Protests
von Studierenden in Bayern. Um die Wirkung der Proteste und die Meinung der
Münchener Bevölkerung zu einigen damit verbundenen Themen in Erfahrung zu
bringen, wurde von der Fachschaft Statistik der Ludwig-Maximilians-Universität
München eine telefonische Befragung durchgeführt. Die Auswahl wurde mit zu-
fälliger Wahl von Telefonnummern realisiert. Insgesamt wurden 251 Personen
befragt.
Damit lassen sich zu den einzelnen Fragen die entsprechenden Anteile in
der Münchener Bevölkerung hochrechnen. In der folgenden Tabelle sind die Er-
gebnisse für die einzelnen Fragen zusammengestellt. Dabei wurden jeweils die
Konfidenzintervalle mit der Normalverteilungsapproximation verwendet. Da die
zugrunde liegende Population groß genug ist, kann auf die Korrektur für endliche
Populationen verzichtet werden. Konkret handelt es sich hier ungefähr um den

6 −251
Faktor 10 10 6 = 0,999749, wenn man berücksichtigt, dass die Bevölkerung von
München etwa eine Million Personen umfasst.
In diesem Beispiel werden die ersten drei Fragen der telefonischen Befragung
betrachtet. Diese lauten
Frage 1: Haben Sie schon von den Studentenprotesten in Bayern gehört?
Frage 2: Halten Sie die Proteste der Studenten für gerechtfertigt?
Frage 3: Von welchen Protestaktionen haben Sie gehört? (Mehrfachnennun-
gen möglich)
Dabei wurde Frage 2 lediglich den Personen gestellt, welche Frage 1 mit „ja“
beantwortet haben, sprich bereits von den Studentenprotesten gehört haben. Die
Antwortmöglichkeiten für Frage 3 sind in die Kategorien Großdemonstrationen,
Lichterkette, Trauermarsch, 24 h Vorlesung und öffentliche Vorlesungen unter-
teilt. Bei dieser Frage wurde wieder die gesamte Stichprobe berücksichtigt, wobei
die Individuen, die Frage 1 mit „nein“ beantwortet haben, auch hier überall mit
„nein“ bewertet wurden. Die Ergebnisse sind in Tabelle 2.4 dargestellt.
Tabelle 2.4 Auswertung der Telefonumfrage zu den Studentenprotesten in Bayern

„Ja“
Frage Anteil in Stichprobe 95%-Konfidenzintervall
Frage 1 0,849 [0,7982; 0,8906]
Frage 2 0,756 [0,6925; 0,8120]
Frage 3
Großdemonstrationen 0,7251 [0,6654; 0,7794]
Lichterkette 0,2590 [0,2059; 0,3178]
Trauermarsch 0,2550 [0,2023; 0,3136]
24 h Vorlesung 0,2669 [0,2133; 0,3262]
Öffentliche Vorlesungen 0,2829 [0,2280; 0,3429]
Die einfache Zufallsstichprobe ist das sicherlich am häufigsten verwendete Stich-

probendesign. Bei Anwendung und Dokumentation ist immer darauf zu achten,
dass Konfidenzintervalle anzugeben sind, wenn ein Anspruch auf Übertragung des
Ergebnisses auf die Grundgesamtheit besteht. Weiter ist die Umsetzung der zufälli-
gen Ziehung in vielen Fällen nur ansatzweise oder durch Ersatzverfahren möglich.
Daher gehört die Angabe der konkreten Ziehungsstrategie auch immer zu der Do-
kumentation der Ergebnisse.
2.11 Literatur
Eine Einführung in die nötigen Kenntnisse der Statistik findet man in Fahrmeir,
Künstler, Pigeot, und Tutz (2009) oder Mosler und Schmid (2004). Eine umfang-
reiche Einführung in Stichprobenverfahren liefert Cochran (1977), der generell als
2.12 Numerische Umsetzung 47
Standardwerk herangezogen werden kann. (Man beachte, dass das Buch in deut-
scher Übersetzung als Cochran (1972) vorliegt). Ebenfalls als deutschsprachige Li-
teratur verweisen wir auf Kreienbrock (2004) oder Schwarz (1975). Empfehlens-
wert ist außerdem Scheaffer, Mendenhall und Ott (1995) und Leiner (1989). Dort
wird eine elementare Einführung in die wichtigen Kapitel der Stichprobenverfahren
gegeben. Umfassendes Material wird außerdem bereitgestellt in Thompson (2002)
oder Levy und Lemeshow (1999), wobei Levy und Lemeshow praktische Aspekte
deutlicher in den Vordergrund stellen.
2.12 Numerische Umsetzung

Die numerische Umsetzung von einfachen Zufallsstichproben ist mit vielen Soft-
warepaketen zu bewerkstelligen. Unsere Hinweise beziehen sich jedoch ausschließ-
lich auf das Programmpaket R. Eine kurze Einführung und weitere Informationen
zu diesem Programm sind in Anhang A zu finden. Das zu diesem Buch erstellte
R-Paket samplingbook ist von der Homepage des R-Projekts (www.r-project.org)
herunterladbar. Nach dem Herunterladen und Installieren kann es mit
> library(samplingbook)
geladen und auf diese Weise die darin enthaltenen Funktionen und Datensätze ver-
fügbar gemacht werden.
In den folgenden Abschnitten werden das Ziehen einer einfachen Zufallsstich-
probe, sowohl aus einem Vektor als auch aus einem Datensatz, die Mittelwert- und
Anteilsschätzung für einfache Zufallsstichproben und die Bestimmung des Stich-
probenumfangs zur Mittelwert- bzw. Anteilsschätzung dargestellt.
2.12.1 Ziehen einer einfachen Zufallsstichprobe

Bei der konkreten Durchführung einer einfachen Zufallsstichprobe muss aus der
Populationsliste eine Stichprobe vom Umfang n ohne Zurücklegen gezogen wer-
den. Dies ist in R mit der Funktion sample(·) realisierbar, welche ohne vorheriges
Laden eines Pakets direkt zur Verfügung steht.
> sample(x, size, replace = FALSE, prob = NULL)
# x Either a (numeric, complex, character or logical)

# vector of more than one element from which to
# choose, or a positive integer.
# size non-negative integer giving the number of items to
# choose.
# replace Should sampling be with replacement?
# prob A vector of probability weights for obtaining the

# elements of the vector being sampled.
Die Funktion sample(·) zieht eine Stichprobe festgelegter Größe size aus den
Elementen des Vektors x, je nach Bedarf mit oder ohne Zurücklegen. Die Funk-
tion zieht standardmäßig ohne Zurücklegen (replace=FALSE). Mit der Option
replace=TRUE kann aber auch eine Stichprobe mit Zurücklegen gezogen werden.
Mit prob können den einzelnen Elementen unterschiedliche Ziehungwahrschein-
lichkeiten zugewiesen werden. Dies ist bei dieser Prozedur nur für das Ziehen mit
Zurücklegen sinnvoll. Für das Ziehen ohne Zurücklegen liefert diese Option keine
sinnvollen Ergebnisse, siehe dazu Kap. 4.
Da wir eine einfache Zufallsstichprobe ziehen wollen, ist für uns die Standard-
einstellung des Ziehens ohne Zurücklegen bereits richtig voreingestellt. Außerdem
sollen alle Elemente der Grundgesamtheit die gleiche Wahrscheinlichkeit besitzen,
in die Stichprobe zu gelangen, weshalb wir auch die Option prob=NULL unverändert
übernehmen können. Diese beiden Optionen können somit in der Syntax weggelas-
sen werden.
Folglich müssen wir nur den Vektor x, aus dem die Zufallsstichprobe gezogen
werden soll, und die Stichprobengröße size spezifizieren. Wollen wir beispielswei-
se eine Stichprobe vom Umfang n = 100 aus einer Grundgesamtheit vom Umfang
N = 2 000 ziehen, kann dies mit folgender Syntax realisiert werden:
> N <- 2000

> n <- 100
> populationlist <- 1:N
> set.seed(67399)
> sample(x=populationlist, size=n)
[1] 1093 538 932 110 796 322 187 1947 1981 740 1045 30
[13] 494 1846 1883 1446 1667 1322 1219 1712 1576 1874 261 904
[25] 1291 1033 1150 323 125 1135 687 1844 659 1145 936 1163
[37] 398 914 1544 1614 1248 850 861 1752 680 973 463 1198
[49] 1526 1905 848 1196 600 1513 146 862 1102 1162 392 531
[61] 817 769 708 841 665 1201 1413 337 1281 646 1984 1206
[73] 1414 1270 240 858 550 1059 652 778 795 1994 1224 27
[85] 1359 199 719 1493 1719 982 430 955 438 1042 382 672
[97] 662 728 855 1754
Wir nehmen dabei an, dass die Populationsliste von 1 bis N läuft und die gezoge-
nen Werte den Identifikationsnummern der gezogenen Individuen entsprechen. Um
das Ergebnis reproduzierbar zu machen, setzen wir unter Verwendung der Funkti-
on set.seed(·) einen Startwert für den Algorithmus. Das Ergebnis kann in einen
neuen Vektor, beispielsweise mit Namen sample1 gespeichert werden. Außerdem
können die gezogenen Zahlen mit sort(·) sortiert werden. Durch Eingabe von
sample1 kann das Ergebnis am Bildschirm ausgegeben werden.
> sample1 <- sort(sample(x=populationlist, size=n))

> sample1
[1] 31 32 96 121 152 165 205 211 215 251 262 265
[13] 281 282 285 292 308 310 338 388 394 410 418 419
[25] 431 443 456 485 487 513 534 543 558 559 565 622
[37] 645 666 717 719 750 761 766 776 791 809 824 839
[49] 867 875 879 894 924 946 986 993 1020 1027 1030 1031
[61] 1077 1095 1104 1122 1141 1197 1233 1240 1242 1258 1270 1273
[73] 1328 1361 1364 1383 1402 1409 1433 1460 1478 1538 1568 1578
[85] 1591 1592 1603 1631 1679 1701 1715 1718 1742 1768 1813 1861
[97] 1863 1932 1942 1948
Der Aufruf von sample(·) liefert jedoch bei jedem Durchlauf ein anderes, zu-
fälliges Ergebnis. Um die Ziehung reproduzierbar zu machen, empfiehlt es sich, mit
einem sogenannten „seed“, einem Startwert für den Algorithmus (in diesem Fall
zum Ziehen von Zufallszahlen), zu arbeiten. Dadurch wird sichergestellt, dass bei
einem erneuten Ausführen die gleiche Stichprobe gezogen wird. Dieser Startwert
kann festgelegt werden, indem man eine beliebig gewählte Zahl als Startwert defi-
niert.
> start <- 13072008

> set.seed(start)
Im Anschluss daran liefert eine Funktion, die einen Zufallszahlengenerator ent-

hält, wie z.B. sample(·), immer dasselbe Ergebnis. Weitere Informationen zum
Setzen eines Startwertes sind in Anhang A.8 zu finden.
Manchmal will man jedoch nicht eine Zufallsstichprobe aus einer geordneten
Liste, sondern aus einem vorhandenen Datensatz ziehen. Zur Illustration verwen-
den wir als Datenbasis eine imaginäre Liste, welche vom Paket samplingbook
bereitgestellt wird. Über die folgenden Befehle wird der Datensatz geladen und am
Bildschirm ausgegeben. Der Datensatz ist nun im Objekt pop gespeichert.
> data(pop)
> print(pop)
id X Y
1 1 11 9
2 2 11 10
3 3 11 11
4 4 21 18
5 5 21 22
Die Populationsliste ist bestimmt durch die Spalte id, denn jede ID ist exakt
einer Person zugeordnet und umgekehrt. Nun gilt es, eine Stichprobe vom Umfang
n zu ziehen, das heißt es sollen n ID-Nummern gewählt werden, um die zugehöri-
gen Personen beispielsweise in eine Umfrage einzuschließen. Die entsprechenden
zufällig gezogenen ID-Nummern erhält man mit
> n <- 3
> set.seed(93456)
> idsample <- sample(x=pop$id, size=n)
wobei die Stichprobengröße hier exemplarisch auf 3 festgelegt ist. Die ausgewählten
ID-Nummern werden mit
> idsample
[1] 1 2 4
ausgegeben. Die Elemente der Stichprobe sind damit gezogen und können somit
befragt werden. Auch hier kann man unter Verwendung eines Startwertes für den
Algorithmus die Stichprobenziehung reproduzierbar gestalten.
Einen Datensatz mit den bereits vorhandenen Informationen zu den Personen

in der Stichprobe erhält man beispielsweise mit folgender Syntax, welche sehr aus-
führlich gehalten ist, um die einzelnen, dazu notwendigen Schritte zu verdeutlichen.
Man definiert zuerst eine Matrix, in die die Daten der Stichprobe geschrieben wer-
den sollen, und initialisiert diese zunächst mit NA, d.h. mit fehlenden Werten. Unter
Verwendung einer Zählvariable j füllen wir diese Matrix Zeile für Zeile mit den Da-
ten der Stichprobe. Eine Schleife durchläuft die gezogenen ID-Nummern. In jedem
Durchlauf werden die Daten des nächsten Stichprobenelements in die j-te Zeile der
vordefinierten Matrix geschrieben und j um 1 erhöht.
> sample1 <- as.data.frame(matrix(data=NA, nrow=n,

+ ncol=ncol(pop)))
> j <- 1
> for(i in idsample)
+ {
+ sample1[j,] <- pop[pop$id==i,]
+ j <- j+1
+ }
Alternativ kann die bereits in R zur Verfügung gestellte Funktion subset(·) ver-
wendet werden, welche aus einem gegebenen Datensatz eine Teilmenge von Zeilen
auswählt.
> sample2 <- subset(x=pop, subset=(pop$id %in% idsample))

Weiterhin ist es möglich, direkt eine Stichprobe aus den Zeilen zu ziehen. In diesem
Fall wird die bisher vorangegangene, separate Stichprobenziehung direkt integriert.
> sample3 <- pop[sample(1:nrow(pop), size=n),]
2.12.2 Mittelwertschätzung
In dem zu dem Buch gehörigen R-Paket samplingbook sind die Formeln zur
Mittelwertschätzung und zur Bestimmung der Konfidenzintervalle umgesetzt. Die
Funktion Smean(·) erlaubt diese Berechnungen bei Bedarf inklusive der Korrektur
für endliche Populationen.
> Smean(y, N = Inf, level = 0.95)
# y vector of sample data

# N positive integer specifying population size.
# Default is N=Inf, which means that
# calculations are carried out
# without finite population correction.
# level coverage probability for confidence intervals.
# Default is level=0.95.
Der Datenvektor y muss übergeben werden, die anderen beiden Angaben sind
optional. Mit N kann der Populationsumfang übergeben werden, mit level die
Überdeckungswahrscheinlichkeit des Konfidenzintervalls. Wird der Funktion kein
Populationsumfang übergeben, wird N=Inf gesetzt und somit bei der Berechnung
auf den Korrekturfaktor für endliche Populationen verzichtet. Dies ist sinnvoll, falls
der Umfang der Grundgesamtheit sehr groß ist. Bei kleinen Grundgesamtheiten soll-
te der Populationsumfang übergeben werden. In letzterem Fall wird die Korrektur
mit dem Faktor (N −n)/N bei der Berechnung der Varianz durchgeführt. Die Über-
deckungswahrscheinlichkeit für das Konfidenzintervall ist mit 95% voreingestellt,
kann aber bei Bedarf geändert werden.
Zur Illustration verwenden wir die Daten aus Beispiel 2.11:
Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22.
Daraus wurde eine einfache Zufallsstichprobe vom Umfang n = 3 gezogen. An-

schließend können der geschätzte Mittelwert Ȳ E S , die geschätzte Standardabwei-

chung von Ȳ E S , d.h. Var Ȳ E S und das zugehörige Konfidenzintervall berech-
net werden. Die dazu benötigte Variable Y ist im Datensatz pop enthalten. Dieser
wird zuerst geladen und anschließend wird die relevante Information im Vektor Y
gespeichert. Nach Festlegen eines Startwerts wird eine einfache Zufallsstichprobe
vom Umfang n = 3 gezogen und im Vektor y gespeichert. Zuletzt wird der Popu-
lationsmittelwert unter Berücksichtigung der Korrektur für endliche Populationen

geschätzt.
> data(pop)
> Y <- pop$Y
> Y
[1] 9 10 11 18 22
> set.seed(93456)
> y <- sample(x=Y, size=3)
> y
[1] 9 10 18
> est <- Smean(y=y, N=length(Y))

> est
Smean object: Sample mean estimate

With finite population correction: N=5
Mean estimate: 12.3333

Standard error: 1.8012
95% confidence interval: [8.803,15.8637]
2.12.3 Anteilsschätzung
Die Funktion Sprop(·), ebenfalls aus dem Paket samplingbook, gibt die entspre-
chenden Werte bei der Anteilsschätzung zurück. Hierbei werden unter anderem die
in Abschn. 2.6.4 dargestellten Prozeduren realisiert.
> Sprop(y, m, n = length(y), N = Inf, level = 0.95)
# y vector of sample data containing values 0 and 1

# m an optional non-negative integer for number of
# positive events
# n an optional positive integer for sample size.
# Default is n = length(y).
# N positive integer for population size. Default
# is N=Inf, which means calculations are carried out
Mit y kann der Datenvektor übergeben werden. Dieser muss dazu dummykodiert
sein, d.h. er darf nur Nullen und Einsen enthalten, wobei die „ja“-Antworten typi-
scherweise mit „1“ kodiert sind. Alternativ können m, die Anzahl an „ja“-Antworten
bzw. „positiven Ereignissen“, und der Stichprobenumfang n übergeben werden.
Werden m und y gleichzeitig angegeben, so muss m der Anzahl an Einsen im Da-
tenvektor y entsprechen. Mit N kann wiederum die Größe der Grundgesamtheit
angeben werden. Die Angabe der Überdeckungswahrscheinlichkeit des Konfidenz-
intervalls ist mit 95% vorbelegt.
Die Ausgabe hängt von der Vorgabe für N ab. Bei einer endlichen Grundgesamt-
heit werden neben der Schätzung zwei Konfidenzintervalle ausgegeben. Das Erste

basiert auf der approximativen Normalverteilung und benutzt die Varianz Var E S
P
aus Formel (2.1). Weiter wird das exakte Konfidenzintervall aus den Formeln (2.2)
und (2.4) berechnet. Im Fall von großen Grundgesamtheiten (ab N > 100 000)
wird N = Inf gesetzt, da eine exakte Berechnung sehr aufwendig wäre. Für diese
Einstellung werden die in Abschn. 2.7 diskutierten Konfidenzintervalle berechnet.
Das erste Intervall wird basierend auf der Normalverteilungsannahme berechnet,
das zweite Intervall basiert ebenfalls auf der Normalverteilungsannahme, benutzt
aber eine von Agresti und Coull (1998) vorgeschlagene Korrektur. Das Konfidenz-
intervall nach Clopper-Pearson stellt das exakte Konfidenzintervall dar.
Zur Illustration verwenden wir die Daten aus Beispiel 2.13. Dort wurden n = 100
von N = 300 Beschäftigten eines Betriebes zwei Fragen gestellt, wobei die erste
Frage von m 1 = 45 Personen und die zweite Frage von m 2 = 2 Personen mit
„Ja“ beantwortet wurde. Mit diesen Angaben können die geschätzten Anteile und
die zugehörigen asymptotischen und exakten Konfidenzintervalle berechnet werden.
Für die erste Frage ergibt sich:
> Sprop(m=45, n=100, N=300)
Sprop object: Sample proportion estimate

With finite population correction: N= 300
Proportion estimate: 0.45

95% approximate hypergeometric confidence interval:

proportion: [0.37,0.53]
number in population: [111,159]
95% exact hypergeometric confidence interval:
proportion: [0.3667,0.5367]
Für die zweite Frage ergibt sich:
> Sprop(m=2, n=100, N=300)



proportion: [-0.0025,0.0425]
proportion: [0.0067,0.0633]
Um die Vorgehensweise an realen Daten zu demonstrieren, verwenden wir die

Ergebnisse zur Sonntagsfrage vom 3.7.2009 aus Beispiel 2.16. Dabei wurden n =
1206 wahlberechtigte Personen gefragt, welche Partei sie wählen würden, wenn am
kommenden Sonntag Bundestagswahl wäre. Es gaben m = 302 Personen an, dass
sie die SPD wählen würden. Weiterhin gaben m = 133 Personen an, dass sie die
Grünen wählen würden. Die geschätzten Anteile und die zugehörigen Konfidenzin-
tervalle werden wie folgt berechnet, wobei N=Inf gesetzt wurde. Die Berechnung
mit der exakten Anzahl an wahlberechtigten Personen von ca. 61 Mio liefert die
gleichen Ergebnisse. Für die SPD ergibt sich:
> Sprop(m=302, n=1206, N=Inf)

Without finite population correction: N= Inf

95% asymptotic confidence interval:

proportion: [0.226,0.2749]
95% asymptotic confidence interval with correction by Wilson:
proportion: [0.2268,0.2756]
95% exact confidence interval by Clopper-Pearson:
proportion: [0.2262,0.2759]
Für die Grünen ergibt sich:
> Sprop(m=133, n=1206, N=Inf)

Without finite population correction: N= Inf

95% asymptotic confidence interval:

proportion: [0.0926,0.128]
95% asymptotic confidence interval with correction by Wilson:
proportion: [0.0938,0.1292]
95% exact confidence interval by Clopper-Pearson:
proportion: [0.0932,0.1293]
Somit liegt der erwartete Stimmenanteil nach der Methode von Wilson für die
SPD zwischen 22, 6 und 27, 6% und für die Grünen zwischen 9, 3 und 13, 0%.
In Beispiel 2.14 wollten wir ein einseitiges Konfidenzintervall zur Abschätzung

der maximalen Anzahl an Tieren, die an einer seltenen Krankheit leiden, erhalten.
Dazu kann man bei Verwendung von Sprop(·) die Überdeckungswahrscheinlich-
keit dementsprechend anpassen. Um also z.B. eine obere Grenze für ein einseitiges
95%-Konfidenzintervall zu erhalten, kann man die Funktion mit level=0.9 aufru-
fen und aus dem Output die obere Grenze ablesen.
> Sprop(m = 1, n = 500, N=10000, level = 0.9)



proportion: [-0.0012,0.0052]
number in population: [-12,52]
proportion: [1e-04,0.0093]
Als obere Grenze des einseitigen exakten 95%-Konfidenzintervalls ergibt sich

somit 0.0093 für den Anteil bzw. 93 für die Anzahl. Die ausgegebene untere Grenze
wird nicht weiter berücksichtigt. Man beachte, dass das approximative Konfidenz-
intervall hier nicht sinnvoll ist.
2.12.4 Bestimmung des Stichprobenumfangs

bei Mittelwertschätzung
Die Funktion sample.size.mean(·) im Paket samplingbook berechnet den not-
wendigen Stichprobenumfang, um einen Mittelwert mit vorgegebener Genauigkeit
e (halbe Länge des Konfidenzintervalls, siehe S. 40) zu schätzen.
> sample.size.mean(e, S, N = Inf, level = 0.95)
# e positive number specifying the precision which is half

# width of confidence interval
# S standard deviation in population
# N positive integer for population size. Default is N=Inf,
# which means that calculations are carried out
Die Genauigkeit e und die Standardabweichung S müssen der Funktion überge-

ben werden. Die Angaben zum Populationsumfang N und zur Überdeckungswahr-
scheinlichkeit des Konfidenzintervalls sind optional.
Als Beispiel betrachten wir den Fall, dass bei einer endlichen Grundgesamtheit
von N = 300 und einer Standardabweichung von S = 10 eine Genauigkeit von
e = 4 (bzw. e = 1) erreicht werden soll. Das Konfidenzniveau soll jeweils 95%
betragen. Für eine Genauigkeit von e = 4 ergibt sich:
> sample.size.mean(e=4, S=10, N=300)
sample.size.mean object: Sample size for mean estimate

With finite population correction: N=300, precision e=4
and standard deviation S=10
Sample size needed: 23
Für eine Genauigkeit von e = 1 ergibt sich:
> sample.size.mean(e=1, S=10, N=300)
sample.size.mean object: Sample size for mean estimate

With finite population correction: N=300, precision e=1
and standard deviation S=10
Der benötigte Stichprobenumfang beträgt bei einer Genauigkeit von e = 4 somit

23 Personen und bei einer Genauigkeit von e = 1 sogar 169 Personen.
2.12.5 Bestimmung des Stichprobenumfangs bei Anteilsschätzung

Die Funktion sample.size.prop(·) aus dem Paket samplingbook ist das
Analogon zur Funktion sample.size.mean(·) und berechnet den notwendi-
gen Stichprobenumfang, um einen Anteil mit vorgegebener Genauigkeit e zu
schätzen.
> sample.size.prop(e, P = 0.5, N = Inf, level = 0.95)
# e positive number specifying the precision which is

# half width of confidence interval
# P expected proportion of events with domain between
# values 0 and 1. Default is P=0.5.
# N positive integer for population size. Default
# is N=Inf, which means that calculations are carried
# out without finite population correction.
Die Genauigkeit e muss der Funktion übergeben werden, die Angaben zum An-
teil an „Ja“-Antworten bzw. positiven Ereignissen P, zum Populationsumfang N und
zur Überdeckungswahrscheinlichkeit des Konfidenzintervalls sind optional. Für den
Anteil an „Ja“-Antworten bzw. positiven Ereignissen ist das „Worst Case“ Szenario
von P=0.5 voreingestellt. Alternativ kann man für P eine obere Abschätzung für
Anteile kleiner 0.5 bzw. eine untere Abschätzung für Anteile größer 0.5 angeben.
Zunächst wollen wir uns mit der benötigten Stichprobengröße für Wahlprogno-
sen wie in Beispiel 2.16 beschäftigen. Kurz vor der Bundestagswahl 2005 ist eine
größere Genauigkeit der Prognosen für die einzelnen Parteien äußerst wichtig. Des-
halb möchte ein Meinungsforschungsinstitut eine Stichprobe ziehen, mit der die
Anteile der einzelnen Parteien mit einer Genauigkeit von e = 0.01 geschätzt wer-
den können. Will man die Anteile für alle Parteien mit dieser Genauigkeit schätzen,
sollte man wieder P = 0.5 wählen.
> sample.size.prop(e=0.01, P=0.5, N=Inf)
sample.size.prop object: Sample size for proportion estimate

Without finite population correction: N=Inf, precision e=0.01
and expected proportion P=0.5

Will man nur den Anteil einer bestimmten Partei abschätzen, kann man Vorwis-
sen aus früheren Wahlergebnissen nutzen. Die Tendenzen für die SPD lassen bei-
spielsweise erkennen, dass die Partei das Wahlergebnis bei der letzten Wahl 2002,
nämlich 39%, nicht überschreiten wird. Man erhält somit
> sample.size.prop(e=0.01, P=0.39, N=Inf)

Without finite population correction: N=Inf, precision e=0.01
Weiterhin betrachten wir nochmal das Beispiel 2.13 auf S. 32 zur Umfrage zur
Verbesserung des Betriebsklimas in einem Betrieb mit N = 300 Mitarbeitern. Die
flexibleren Arbeitszeiten wurden erfolgreich umgesetzt. Nach einem Jahr sollen die-
se mit der Frage „Sind Sie mit der neuen Arbeitszeitregelung zufrieden?“
(Ja/Nein) evaluiert werden.
Die Umfrage soll dabei möglichst effizient sein, weshalb man den Stichproben-
umfang diesmal im Vorhinein berechnen will. Deshalb werden die zwei Genauig-
keiten e = 0.05 und e = 0.1 zur Auswahl gestellt, wobei als Wahrscheinlichkeit
P = 0.5 gewählt wurde, da zu der aktuellen Einschätzung noch kein Vorwissen
vorhanden ist. Für eine Genauigkeit von e = 0.05 ergibt sich:
> sample.size.prop(e=0.05, P=0.5, N=300)

With finite population correction: N=300, precision e=0.05
Für eine Genauigkeit von e = 0.1 ergibt sich:

Entsprechend lassen sich die Werte aus den Tabellen 2.2 und 2.3 mit der Funkti-
on sample.size.prop(·) erzeugen. Die erste Spalte von Tabelle 2.2 ergibt sich
durch:




Die Werte in den weiteren Spalten und in Tabelle 2.3 erhält man analog.
Kapitel 3
Modellbasierte Stichprobenverfahren
In den bisherigen Anwendungen sind wir davon ausgegangen, dass es eine in-
teressierende Größe Y gibt und wir darüber hinaus keine weiteren Informationen
erheben. In vielen praktischen Anwendungen liegen jedoch über die Population
weitere Informationen vor. Wir wollen in diesem Kapitel zeigen, wie man die-
se bereits vorliegenden Informationen nutzen kann, um bessere Schätzungen zu
erhalten.
Beispiel 3.1: Bei einer Wählerumfrage ist es naheliegend, Informationen von

der letzten Wahl zu nutzen. Da die Ergebnisse hierbei bekannt sind, stellt man
typischerweise neben der aktuellen Wahlabsicht auch die Frage nach dem Ver-
halten bei der letzten Wahl. Nehmen wir nun an, in der gezogenen Stichprobe
geben 40% der Befragten an, bei der letzten Wahl die Partei ABC gewählt zu
haben. Die Partei ABC hat aber bei der letzten Wahl tatsächlich nur 35% der
Stimmen erhalten. Damit ist die Menge der Individuen, die bei der letzten Wahl
für Partei ABC gestimmt hat, überrepräsentiert, nämlich mit 40% statt mit 35%.
Geht man davon aus, dass ein Großteil der Wähler einer Partei treu bleibt und
diese bei der nächsten Wahl wieder wählt, so legt der überproportionale Anteil
der Wähler von Partei ABC in der Stichprobe die Vermutung nahe, dass die Par-
tei ABC auch bei der aktuellen Wahlabsicht in der Stichprobe besser abschneidet
als in der Grundgesamtheit. Nehmen wir an, in der Stichprobe haben 44% ihre
aktuelle Präferenz für Partei ABC angegeben. Basierend auf den obigen Überle-
gungen sollte man rein intuitiv sofort Zweifel haben, ob die Partei ABC bei der
nächsten Wahl tatsächlich mit 44% abschneiden wird. Man mag mutmaßen, ob
dieses Ergebnis eine Überschätzung ist. Es gibt nun verschiedene Möglichkei-
ten, dieses Ergebnis zu korrigieren. Aufgrund der Informationen über die letzte
Wahl gehen wir davon aus, dass man in der Stichprobe den Anteil der Wähler
von Partei ABC um 5 Prozentpunkte überschätzt und korrigiert das Ergebnis
von 44 auf 39%. Eine andere Möglichkeit ist, dass die Partei in der Stichprobe
aktuell ihre Anhängerschaft um 10% (von 40 auf 44%) gesteigert hat. Überträgt
man dies auf die Grundgesamtheit, so ergibt sich eine Schätzung von 38, 5% für
diese Partei. Die Methodik derartiger Korrekturen wollen wir in diesem Kapitel
vorstellen.

62 3 Modellbasierte Stichprobenverfahren
Betrachten wir zunächst die Struktur des obigen Beispiels genauer. Zusätzlich zu
der interessierenden Variablen Y steht uns weitere Information zur Verfügung, in
diesem Fall das Wahlverhalten bei der letzten Wahl. Diese Information bezeichnen
wir im Folgenden als Sekundärinformation oder auch Hilfsvariable und notie-
ren sie mit X . Die interessierende Größe Y nennen wir in diesem Fall auch Pri-
märinformation oder Zielvariable. Sekundärinformation kann sinnvoll eingesetzt
werden, wenn sie folgende Eigenschaften aufweist:
1. Die Sekundärinformation X steht in einem engen Zusammenhang zur Primärin-

formation und interessierenden Größe Y .
2. Von der Sekundärinformation X ist der Mittelwert X̄ der Population bekannt.
Die Sekundärinformation ermöglicht es uns, die Schätzung für das interessie-

rende Merkmal Y zu verbessern. Allgemein benutzen wir hierzu ein statistisches
Modell für den Zusammenhang zwischen X und Y . Im obigen Beispiel bedeutet
dies, dass die Differenz bzw. der Quotient der Anteile zwischen den beiden Wahlen
durch eine Konstante gut beschreibbar ist. Wir unterstellen somit ein Modell und
sprechen daher von modellbasierten Schätzverfahren. Zu beachten ist dabei, dass
wir üblicherweise von der Sekundärinformation Kenntnisse über den Mittelwert X̄
in der Population benötigen, wohingegen explizite Kenntnisse über die einzelnen
X i nicht notwendig sind. Die Kenntnis von X̄ kann dabei aus historischen Daten
herrühren, oder aber X̄ ist aufgrund von statistischen Erhebungen (wie z.B. statisti-
schen Jahrbüchern) hinreichend genau bekannt. Abschließend bemerken wir, dass
die Sekundärinformation bei der Stichprobenziehung nicht genutzt wird, d.h. wir
ziehen aus der Population eine einfache Zufallsstichprobe. Stichprobenverfahren,
die Hilfsvariablen bei dem Auswahlverfahren zur Stichprobenziehung verwenden,
werden wir in Kap. 4 besprechen.
3.1 Differenzenschätzer
Wir betrachten zunächst die Situation, dass neben dem interessierenden Merkmal
Y eine Hilfsvariable X vorliegt. Es soll der Populationsmittelwert Ȳ geschätzt wer-
den, wobei gleichzeitig der Mittelwert X̄ in der Population bekannt ist. Wir gehen
weiter davon aus, dass der Unterschied zwischen den beiden Merkmalen gering ist
oder genauer gesagt, dass die Differenz zwischen beiden Merkmalen eine geringe
Streuung aufweist. Inhaltlich gesprochen heißt dies, dass X und Y ähnliche Werte
annehmen. Wir analysieren daher das Merkmal
Di = Yi − X i ,
das heißt die Differenz zwischen Primär- und Sekundärinformation. In der Popula-
tion gilt nun die Beziehung
Ȳ = X̄ + D̄, (3.1)
3.1 Differenzenschätzer 63
N
wobei D̄ = i=1 Di /N ist. Betrachtet man die rechte Seite von (3.1) so zeigt
sich, dass X̄ bekannt ist, wohingegen D̄ unbekannt ist. Da in der Stichprobe beide
Merkmale erhoben werden, kann der (unbekannte) Mittelwert D̄ der Differenz wie
folgt geschätzt werden:
1
1
n n

D̄ = d̄ = dk = (yk − xk ) = ȳ − x̄.
n n
k=1 k=1
Damit erhalten wir unmittelbar eine Schätzung für Ȳ , indem wir in Formel (3.1)
D̄ durch d̄ schätzen. Dies liefert den Differenzenschätzer:

Ȳ D := X̄ + d̄. (3.2)
Zu beachten ist, dass neben der Schätzung der Differenz d̄ der aus der Grundge-
samtheit bekannte Mittelwert X̄ in die Formel eingeht. Zu einer anderen Interpreta-
tion des Differenzenschätzers gelangt man durch folgende einfache Umformung:

Ȳ D = ȳ + ( X̄ − x̄).
Die Schätzung ohne Zusatzinformation wird um die Abweichung zwischen

Grundgesamtheit und Stichprobe bezüglich des Merkmals X korrigiert. Wir wol-
len die Funktionsweise des Differenzenschätzers an einem kleinen Zahlenbeispiel
motivieren.
Beispiel 3.2: Wir betrachten exemplarisch eine kleine Population mit folgender
Primär- und Sekundärinformation:
X 1 = 11, X 2 = 11, X 3 = 11, X 4 = 21, X 5 = 21,

Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22.
Das zugehörige Merkmal Di = Yi − X i ist somit gegeben durch
D1 = −2, D2 = −1, D3 = 0, D4 = −3, D5 = 1.
Wir betrachten X i als Sekundärinformation und nehmen an, dass X̄ = 15

bekannt ist, wohingegen die einzelnen Werte von X i vor Stichprobenziehung un-
bekannt sind. Ebenso sind natürlich die Werte von Yi sowie die Werte von Di
unbekannt. Wie ziehen eine Stichprobe vom Umfang n = 3. Es ergeben sich für
die folgenden möglichen Stichproben die entsprechenden Differenzenschätzer:
Stichprobe Gezogene Individuen d̄

Ȳ D
1 1 2 3 −1 14,00
2 1 2 4 −2 13,00
3 1 2 5 −2/3 14,33
4 1 3 4 −5/3 13,33
5 1 3 5 −1/3 14,66
6 1 4 5 −4/3 13,66
7 2 3 4 −4/3 13,66
8 2 3 5 0 15,00
9 2 4 5 −1 14,00
10 3 4 5 −2/3 14,33

Wir erhalten E
Ȳ D = Ȳ = 14, d.h. der Differenzenschätzer ist erwartungstreu.
Dasist nicht
sonderlich überraschend, weil E(d̄) = D̄ gilt. Weiter erhält man

Var Ȳ D = 0, 33. Von Interesse ist nun die Frage, ob und warum sich die An-
wendung des Differenzenschätzers lohnt, insbesondere im Vergleich zur bisher
behandelten einfachen Zufallsstichprobe. Vergleicht man die Varianz des Diffe-
renzenschätzers mit der einer einfachen Zufallsstichprobe (siehe dazu Abschn.
2.6.2, Beispiel 2.11),
so
zeigt sich, dass die einfache Zufallsstichprobe mit einer

Varianz von Var Ȳ E S = 4, 33 ein weitaus ungenaueres Ergebnis liefert.
Wir erhalten also durch die Verwendung des Differenzenschätzers eine deut-
liche Reduktion der Varianz und damit eine höhere Genauigkeit des Schätzers.
Bildlich ist dies in Abb. 3.1 gezeigt. Linkerhand sieht man Sekundär- und Primär-
information gegeneinander aufgetragen. Die mittlere Graphik zeigt die Ausprä-
gungen des einfachen arithmetischen Mittels Ȳ E S basierend auf den in der obigen
Tabelle gezogenen Stichproben. Rechterhand sieht man die Ausprägungen des
zugehörigen Differenzenschätzers Ȳ D . Die Varianzreduktion ist klar ersichtlich,
denn die Ausprägungen des Differenzenschätzers schwanken deutlich weniger
um den wahren Mittelwert Ȳ = 14.
Primär−/Sekundärinformation Arithmetisches Mittel Differenzenschätzer

22
Schätzer für den Mittelwert

16
16
18
14
14
Y
14
12
12
10
10
10
12 14 16 18 20 2 4 6 8 10 2 4 6 8 10
X mögliche Stichprobe mögliche Stichprobe
Abb. 3.1 Darstellung von Sekundärinformation X i und Primärinformation Yi (linke Graphik).

Realisierte Ergebnisse von ȳ (mittlere Graphik) und
Ȳ D (rechte Graphik) für die 10 möglichen
Stichproben
Um die Streuung und das Konfidenzintervall des Differenzenschätzers zu bestim-

men, nutzen wir, dass X̄ ein fester, bekannter Wert ist und somit eine Varianz von 0
hat. Damit ist die Varianz von
Ȳ D gleich der Varianz von d̄ und es gilt:
N − n SD 2
Var
Ȳ D = Var(d̄) = ,
N −1 n
1
N
2
mit S D := (Di − D̄)2 .
N
i=1
Wir erhalten damit eine Schätzung für die Varianz unter Ausnutzung der Formeln
für die einfache Zufallsstichprobe:
2
N − n sD
Var Ȳ D = Var(d̄) = ,
N n
1
n
mit s D :=
2
(dk − d̄)2 .
n−1
k=1
Das (1 − α)-Konfidenzintervall hat die Form

Ȳ D − z 1− α2 Var Ȳ D , Ȳ D + z 1− α2 Var Ȳ D ,

Differenzenschätzer
Gegeben sei eine einfache Zufallsstichprobe mit der Sekundärinformation

x1 , . . . , x n und der Primärinformation y1 , . . . , yn .
Der Mittelwert X̄ des Hilfsmerkmals in der Grundgesamtheit sei bekannt.
Ein erwartungstreuer Schätzer für den Mittelwert Ȳ ist gegeben durch

den Differenzenschätzer
n

Ȳ D = X̄ + (yk − x k ).
n
k=1
Die Varianz von

Ȳ D kann geschätzt werden durch
N −n 1
n
Var
Ȳ D = {(yk − x k ) − ( ȳ − x̄)}2 .
N n(n − 1)
k=1
Wir wollen nun die Eigenschaften des Differenzenschätzers und des Schätzers
der einfachen Zufallsstichprobe Ȳ E S theoretisch miteinander vergleichen. Wegen
der Unverzerrtheit von d̄ ist auch
Ȳ D unverzerrt. Die beiden Schätzer unterscheiden
sich somit nur in ihren Varianzen. Bei der Varianz des Differenzenschätzers ist nur
die Streuung des Merkmals D relevant, wohingegen es bei der Varianz von Ȳ E S
auf die Streuung von Y in der Population ankommt. Es gilt

Var Ȳ D S2
= D2 ,
Var Ȳ E S SY
2 =
N
i=1 (Di − D̄) /N . D.h. die Varianz des Differenzenschätzers ist kleiner,
mit S D 2
wenn die Varianz von D die Varianz von Y in der Population unterschreitet. Unter
Ausnutzung der Definition von Di = Yi − X i lässt sich die Populationsvarianz S D 2
wie folgt darstellen:

2
SD = SY2 + S X2 − 2S X Y . (3.3)
NDabei ist S X Y die Kovarianz von X und Y in der Grundgesamtheit, d.h. S X Y =

i=1 (Yi − Ȳ )(X i − X̄ )/N , und S X die Varianz von X in der Grundgesamtheit. Nach
2
einfachen Umformungen ergibt sich folgende Bedingung zum Vergleich der beiden
Schätzer:
SX Y 1
Ȳ D ≤ Var
Var Ȳ E S ⇐⇒ 2 ≥ .
SX 2
Somit liefert der Differenzenschätzer eine Varianzreduktion, wenn die beiden

Merkmale eine starke positive Korrelation aufweisen, also wenn X und Y ähnliche
Werte annehmen. In konkreten Anwendungen können beide Schätzer durch Berech-
nung ihrer geschätzten Varianzen miteinander verglichen werden, um festzustellen,
ob sich eine Varianzreduktion auch praktisch einstellt.
Beispiel 3.3: (Hochrechnung bei einer Wahl): Wir setzen das Beispiel 3.1 zur
Wählerumfrage fort und nehmen an, dass wir an dem Wähleranteil PY für ei-
ne Partei ABC interessiert sind. Dazu bezeichnen wir mit Y das entsprechende
Merkmal, d.h. Yi = 1, wenn der i-te Wähler die entsprechende Partei wählen
wird und Yi = 0 sonst. Wir ziehen eine einfache Zufallsstichprobe und erhal-
ten die Beobachtungen y1 , . . . , yn . Bei einer einfachen Hochrechnung aufgrund
einer Zufallsstichprobe unter Vernachlässigung von Sekundärinformation ergibt
sich der Schätzer PY = ȳ mit einer Varianz von PY · (1 − PY )/n. Da es sich
angenommenerweise um eine große Population handelt, wird der Korrekturfaktor
(N − n)/N vernachlässigt. Wir vergleichen nun das Vorgehen mit der Differen-
zenschätzung. Hierzu erheben wir zusätzlich das Merkmal X i , welches angibt,
ob die befragte Person die Partei ABC bei der letzten Wahl gewählt hat, ebenfalls
kodiert mit X i = 1, falls der i-te Wähler die Partei gewählt hat, und X i = 0
andernfalls. Für die Ausprägungen von X und Y ergibt sich folgende Tabelle:
Y
0 1 Gesamt
0 P00 P01 1 − PX
X
1 P10 P11 PX
Gesamt 1 − PY PY 1
Dabei ist P01 der Anteil der Wähler, die die Partei ABC wählen werden, obwohl
sie diese bei der letzten Wahl nicht gewählt haben und P10 der Anteil der Wähler,
die die Partei ABC nicht wählen werden, obwohl sie es bei der letzten Wahl getan
haben. Analog dazu ist P11 der Anteil der treuen Wähler der Partei ABC und P00
der Anteil der Wähler, die weder früher noch heute ihre Sympathien bei Partei
ABC haben.
Wir definieren das Merkmal D = Y − X mit den Ausprägungen {−1, 0, 1} und
den zugehörigen Wahrscheinlichkeiten P10 , P00 + P11 und P01 . Zur Berechnung
der Varianz des Differenzenschätzers benötigen wir die Varianz von D, d.h. S D2.
Diese kann entweder direkt aus der Wahrscheinlichkeitsverteilung von D berech-

net werden oder aus der Formel (3.3). Hierzu müssen wir die Kovarianz von X
und Y berechnen, welche in dem konkreten Beispiel erhältlich ist durch
S X Y = E(X Y ) − E(X ) E(Y ) = P11 − PX PY .
Unter Vernachlässigung des Korrekturfaktors für endliche Populationen ergibt

sich damit die Varianz des Differenzenschätzers zu
1
Var
Ȳ D = {PY (1 − PY ) + PX (1 − PX ) − 2 (P11 − PX PY )} .
n
Y , wenn S 2 ≤
Wir erhalten somit eine Varianzreduktion im Vergleich zu P X
2S X Y , also wenn
PX (1 − PX ) ≤ 2 (P11 − PX PY )

P11
⇔ (1 − PX ) ≤ 2 − PY .
PX
Dabei ist P11 /PX der Anteil der Wiederwähler der Partei ABC. Ist dieser hoch,
so ist mit dem Differenzenschätzer eine Varianzreduktion möglich. Ist hingegen
die Wiederwahl einer Partei unabhängig von der vorherigen Wahl, das heißt ist
P11 = PX PY , so liefert der Differenzenschätzer keine Varianzreduktion. In die-
sem Falle zahlt sich die Ausnutzung der Sekundärinformation nicht aus.
Beispielhaft sei hier die Varianz des Differenzenschätzers für folgendes Sze-
nario berechnet: Eine einfache Zufallsstichprobe vom Umfang n = 1 000 ergab
folgende Werte:
Y
0 1 Gesamt
0 570 10 580
X
1 80 340 420
Gesamt 650 350 1 000
Von der letzten Wahl ist bekannt, dass Partei ABC mit 40% der Stimmen abge-
schnitten hat, d.h. PX = 0, 4. Als Wahlprognose für PY ergibt sich ohne Ausnut-
zung der Sekundärinformation X :
95% − Konfidenzintervall für PY : 0, 35 ± 0, 030
Die Konfidenzgrenzen
√ ergeben sich dabei gemäß der Berechnung 0, 030 ≈
1, 96 0, 35 · 0, 65/999. Nutzt man hingegen die erfragte Information über X
aus und korrigiert bezüglich PX (man beachte, dass von den 1 000 Befragten
42% angaben, Partei ABC bei der letzten Wahl gewählt zu haben, wohingegen
der wahre Wähleranteil nur bei 40% lag), so ergibt sich der Differenzenschät-
zer
Ȳ D = 0, 35 + (0, 40 − 0, 42) = 0, 33. Die Varianz wird geschätzt aus der
beobachteten Verteilung von dk = yk − x k , welche die folgenden Häufigkeiten
aufweist:
dk −1 0 1
Häufigkeit 80 910 10
Das heißt in 80 Fällen war yk − xk = −1, in 10 Fällen war yk − xk = 1 und in

yk − xk = 0. Das 95%-Konfidenzintervall
910 Fällen war
1 000
für PY ergibt sich durch
0, 33 ± 1, 96 s D /1 000, wobei s D = k=1 (dk − d̄) /999:
2 2 2
95% − Konfidenzintervall für PY : 0, 33 ± 0, 018
In diesem Beispiel ist die Varianzreduktion offensichtlich.

3.2 Quotientenschätzer 69
3.2 Quotientenschätzer
Ähnlich wie beim Differenzenschätzer nutzen wir beim Quotientenschätzer aus,
dass die Sekundärinformation X i als Approximation für Yi gelten kann. Die Grun-
didee ist dabei, dass X i proportional zu Yi ist, d.h. R X i ≈ Yi , wobei R ein
Proportionalitätsfaktor ist (R steht für engl.: ratio). Dabei ist R definiert als
Quotient
N
Yi
i=1 Ȳ
R= = . (3.4)

N X̄
Xi
i=1
Formt man Formel (3.4) um, so erhält man
Ȳ = R X̄ . (3.5)
Betrachtet man die rechte Seite von (3.5) so wird ersichtlich, dass der Quotient R
unbekannt ist, da Ȳ unbekannt ist und durch eine Stichprobe geschätzt werden soll.
Der Mittelwert der Sekundärinformation X̄ wird hingegen als bekannt angenom-
men. Wir ziehen nun eine einfache Zufallsstichprobe und erheben yk , k = 1, . . . , n
zusammen mit der zugehörigen Sekundärinformation xk , k = 1, . . . , n. Hieraus be-
rechnen wir einen Schätzer für den Quotienten R durch
n
yk
= r = k=1 ȳ
R = .

n x̄
xk
k=1
Aufgrund der Beziehung (3.5) in der Population ergibt sich der Quotienten-
schätzer, indem wir den unbekannten Faktor R durch seinen Schätzer ersetzen und
wir erhalten
X̄ .
Ȳ Q S = R
Beispiel 3.4: Wir führen die Berechnung des Quotientenschätzers exempla-

risch mit den Zahlen des Beispiels 3.2 durch. Folgt man der oben aufgeführten
fortlaufenden Nummerierung der Stichproben, so ergibt sich mit X̄ = 15 der
Quotientenschätzer wie folgt:
Stichprobe Gezogene Individuen ȳ x̄

Ȳ Q S
1 1 2 3 10, 00 11, 00 13, 64
2 1 2 4 12, 33 14, 33 12, 91
3 1 2 5 13, 67 14, 33 14, 30
4 1 3 4 12, 67 14, 33 13, 26
5 1 3 5 14, 00 14, 33 14, 65
6 1 4 5 16, 33 17, 67 13, 87
7 2 3 4 13, 00 14, 33 13, 60
8 2 3 5 14, 33 14, 33 15, 00
9 2 4 5 16, 67 17, 67 14, 15
10 3 4 5 17, 00 17, 67 14, 43
Ein Vergleich mit dem Differenzenschätzer zeigt, dass Quotienten- und Differen-
zenschätzer in diesem Beispiel recht ähnliche Ergebnisse liefern. Dies ist gra-
phisch in Abb. 3.2 dargestellt.
Wir wollen nun die Eigenschaften des Quotientenschätzers näher betrachten. Zu-
nächst ist festzuhalten, dass der Quotientenschätzer nicht unverzerrt ist. Dies gilt,
obwohl x̄ und ȳ beide unverzerrt sind. Der Quotient zweier unverzerrter Schätzer
ist jedoch im Allgemeinen nicht unverzerrt. Der Quotientenschätzer ist jedoch ap-
proximativ unverzerrt und die Verzerrung soll daher im Folgenden vernachlässigt
werden. Die Varianz des Schätzers ergibt sich approximativ zu (Herleitung siehe
unten)
2
N − n SQ S
Var Ȳ Q S = ,
N −1 n
mit
S = (Yi − R X i )2 .
2
SQ
N
i=1
Primär−/Sekundärinformation Differenzenschätzer Quotientenschätzer


22
16
16
18
14
14
Y
14
12
12
10
10
10
12 14 16 18 20 2 4 6 8 10 2 4 6 8 10
X mögliche Stichprobe mögliche Stichprobe
Abb. 3.2 Darstellung von Sekundärinformation X i und Primärinformation Yi (linke Graphik).

Realisierte Ergebnisse von
Ȳ D (mittlere Graphik) und
Ȳ Q S (rechte Graphik) für die 10 möglichen
Stichproben
3.2 Quotientenschätzer 71
2 ist dabei nicht bekannt, da Y nicht bekannt ist. Somit muss zur
Die Größe S Q S i
Berechnung von Konfidenzintervallen S Q2 geschätzt werden. Als Schätzer bietet
S
sich an:
S = (yk − r xk )2 ,
2
sQ
n−1
k=1
so dass sich die geschätzte Varianz von

Ȳ Q S ergibt durch:
2
N − n sQ S

Var Ȳ Q S = · . (3.6)
N n
Das (1 − α)-Konfidenzintervall hat die Form

Ȳ − z 1− α2 Var Ȳ Q S ,
Ȳ Q S + z 1− α2 Var Ȳ Q S ,
QS

Da der Schätzer für kleine Stichproben recht variabel ist und insbesondere von
den gezogenen Werten xi abhängt, wurde folgender modifizierter Schätzer als Al-
ternative vorgeschlagen (siehe Cochran 1977):
X̄
Varmod Ȳ Q S = Var Ȳ Q S .
x̄
In einigen Anwendungen ist man auch direkt an dem Quotienten R = Ȳ / X̄ in-

teressiert. Falls die Variable X z.B. den Umsatz von Firmen einer Branche in einem
bestimmten Jahr und Y den Umsatz im Folgejahr bezeichnet, so charakterisiert R
das Gesamtwachstum (bzw. die Schrumpfung). Dann wird R durch R = ȳ/x̄ ge-
schätzt. Dazu ist dann nicht unbedingt die Kenntnis von X̄ in der Grundgesamtheit
erforderlich. Die Varianz von R schätzt man aus der Varianzschätzung (3.6) des
Quotientenschätzers durch Division durch X̄ 2 oder x̄ 2 .
Herleitung: Eine Näherungsformel für Erwartungswert und Varianz von nichtlinearen
Funktionen erhält man typischerweise durch eine geeignete lineare Approximation, d.h. eine
Taylorreihen-Entwicklung. Im Fall des Quotienten ȳ/x̄ betrachten wir die Funktion g(x, y) =
y/x. Diese Funktion wird in der Umgebung eines Punktes (x0 , y0 ) wie folgt approximiert:
y y0 ∂g ∂g
g(x, y) = ≈ + (x0 , y0 ) (x − x 0 ) + (x 0 , y0 ) (y − y0 )
x x0 ∂x ∂y
y0 y0 1
= − 2 (x − x0 ) + (y − y0 ).
x0 x0 x0
Da x̄ und ȳ für großes n nahe bei den wahren Werten Ȳ und X̄ liegen, wählen wir (x0 , y0 ) =
( X̄ , Ȳ ) und erhalten:
ȳ Ȳ Ȳ 1
r= = g(x̄, ȳ) ≈ − 2 (x̄ − X̄ ) + ( ȳ − Ȳ ).
x̄ X̄ X̄ X̄
Nun können wir Erwartungswert und Varianz von r approximativ bestimmen. Zu berück-
sichtigen ist dabei, dass Ȳ eine unbekannte, jedoch feste Größe ist. Ebenso ist X̄ fest. Es ist
E(r ) ≈ ȲX̄ , d.h. r ist approximativ erwartungstreu, und damit gilt dies auch für
Ȳ Q S :
Ȳ
E Ȳ Q S ≈ X̄ = Ȳ .
X̄
Für die Varianz von r ergibt sich (da X̄ und Ȳ konstant sind):

Ȳ Ȳ 1
Var(r ) ≈ Var − (x̄ − X̄ ) + ( ȳ − Ȳ )
X̄ X̄ 2 X̄

1 Ȳ 1
= Var − x̄ + ȳ = Var( ȳ − R x̄)
X̄ X̄ X̄ 2
1
= Var(y − Rx),
X̄ 2
n
mit y − Rx = 1/n k=1 yk − Rxk . Für
Ȳ Q S ergibt sich damit
N −n 1 1
N
Var Ȳ Q S = Var(r X̄ ) = Var(y − Rx) = (Yi − R X i )2 .
N −1 n N
i=1
Ähnlich wie beim Differenzenschätzer wollen wir untersuchen, wann die Ver-
wendung des Quotientenschätzers von Vorteil ist im Vergleich zum Schätzer einer
einfachen Zufallsstichprobe. Wenn wir die Sekundärinformation unberücksichtigt
lassen und Ȳ durch ȳ schätzen, so erhalten wir die Varianz
N − n SY2
Var Ȳ E S = Var ( ȳ) = · .
N −1 n
2 <
Das bedeutet, der Quotientenschätzer besitzt eine kleinere Varianz, wenn S Q S
2 etwas genauer. Die Terme (Y − R X )2 sind die
SY2 gilt. Betrachten wir also S Q S i i
quadratischen Abstände der Y -Werte zu einer Geraden durch den Ursprung mit der
Steigung R, also Y = R X . Je besser der Zusammenhang zwischen Y und X durch
eine solche Gerade durch den Ursprung beschrieben werden kann, desto geringer ist
die Varianz des Quotientenschätzers. Kann der Zusammenhang zwischen Y und X
besser durch eine Gerade beschrieben werden, die nicht durch den Ursprung geht,
so ist der Regressionsschätzer, den wir im folgenden Abschnitt betrachten, besser
geeignet.
3.3 Regressionsschätzer 73
Quotientenschätzer

Die Größen X und Y werden als proportional modelliert angesehen, d.h.
Y = R X.
Ein approximativ erwartungstreuer Schätzer für Ȳ ist gegeben durch

den Quotientenschätzer
ȳ
Ȳ Q S = X̄ .
x̄
Die Varianz von

Ȳ Q S kann geschätzt werden durch
n

2
N −n 1 ȳ
Var Ȳ Q S = yk − x k .
N n (n − 1) x̄
k=1
Für kleine Stichproben empfiehlt es sich, die Varianzschätzung mit dem

Faktor X̄ /x̄ zu korrigieren.
3.3 Regressionsschätzer
Wir haben beim Differenzen- und Quotientenschätzer ausgenutzt, dass die Sekun-
därinformation als Approximation für die Primärinformation dienen kann. Beim
Quotientenschätzer bedeutet das, dass X und Y annähernd proportional sind. Diese
Annahme soll nun dahingehend verallgemeinert werden, dass wir annehmen, dass
die Sekundärinformation X einen Einfluss auf die interessierende Variable Y hat.
Diesen Einfluss modellieren wir in Form einer Regression und nehmen somit an,
dass A + B X als Approximation für Y dienen kann.
Beispiel 3.5: Ein Unternehmen plant, ein neues Produkt einzuführen und möch-
te hierzu eine Marktanalyse vornehmen. Es wird vermutet, dass das Produkt in
verschiedenen Altersgruppen unterschiedlich angenommen wird. Ferner scheint
es plausibel, dass Frauen dem Produkt anders gegenüberstehen als Männer. Das
Unternehmen besitzt Sekundärinformationen über die Population (beispielsweise
aus statistischen Jahrbüchern). Insbesondere ist die Altersverteilung je Geschlecht

bekannt. Das Unternehmen wählt Individuen aus der Population zufällig aus (ein-
fache Zufallsstichprobe) und befragt diese nach der Produktakzeptanz. Ist nun
die Alters- oder Geschlechtsstruktur in der Stichprobe, bedingt durch die zufäl-
lige Auswahl der Individuen, anders als in der Population, so kann und sollte
das Stichprobenergebnis diesbezüglich korrigiert werden. Liegt zum Beispiel der
Frauenanteil in der Stichprobe unter dem Frauenanteil in der Bevölkerung und
sind Frauen im Mittel dem Produkt mehr abgeneigt als Männer, so sollte das
Stichprobenergebnis korrigiert werden.
Wir wollen zunächst annehmen, dass wir eine eindimensionale Sekundärinfor-
mation X vorliegen haben. Ähnlich wie bei Differenzen- und Quotientenschätzer
benötigen wir dabei nicht die einzelnen Werte von X i in der Grundgesamtheit, son-
dern nur den entsprechenden Mittelwert:
N
X̄ = Xi .
N
i=1
Wir nehmen weiter an, dass sich die Zielgröße Y als lineares Regressionsmodell
beschreiben lässt in der Form
Yi = A + B X i + E i ,
wobei Ei als Residuum bezeichnet wird. Für das Residuum E i soll gelten, dass es
im Mittel den Wert 0 annimmt, das heißt
N
Ē = E i = 0.
N
i=1
Durch A und B ist somit die Regressionsgerade von Y auf X in der Grundge-
samtheit gegeben. Man beachte, dass weder Yi noch A, B und E i bekannt sind.
Gemäß dem Prinzip der kleinsten Quadrate sind A und B definiert durch
N

X i − X̄ Yi − Ȳ
i=1
B= , A = Ȳ − B X̄ . (3.7)

N
2
X i − X̄
i=1
Aus der Formel für A ergibt sich insbesondere, dass sich der interessierende Mit-
telwert Ȳ berechnen lässt durch
Ȳ = A + B X̄ . (3.8)
Wir ziehen nun eine einfache Zufallsstichprobe vom Umfang n und erhalten die
Datenpaare (xk , yk ), k = 1, . . . , n. Basierend auf diesen Datenpaaren schätzen wir
A und B durch
n
(xk − x̄) (yk − ȳ)

B=
k=1
, = ȳ −
A B x̄.

n
(xk − x̄) 2
k=1
Nun können wir Gl. (3.8) ausnutzen, indem wir wie gehabt die unbekannten
Größen durch deren Schätzer ersetzen. Auf diese Weise erhalten wir den Regressi-
onsschätzer durch
+
Ȳ R E G = A B X̄ . (3.9)
Setzt man die Schätzer in die obige Gleichung ein, so lässt sich der lineare
Regressionsschätzer auch schreiben als:

Ȳ R E G = ȳ +
B X̄ − x̄ .
Diese Form weist starke Parallelen zum Differenzenschätzer auf. Der Unter-
schied besteht darin, dass beim Differenzenschätzer
B = 1 gesetzt wird, wohin-
gegen beim Regressionsschätzer der Koeffizient B aus den Daten geschätzt wird.
Somit korrigiert der Regressionsschätzer das arithmetische Mittel ȳ mit Hilfe der
Sekundärinformation. Als approximative Varianz ergibt sich
N −n 1 1
N
N −n 1
Var Ȳ R E G = (Yi − A − B X i )2 = · S E2 ,
N −1 n N N −1 n
i=1
N
mit S E2 als Varianz der Residuen E i , das heißt S E2 = i=1 E i2 /N . Die Varianzfor-
2
mel kann in dieser Form nicht direkt genutzt werden, weil S E unbekannt ist. Deshalb
wird S E2 aus den Residuen der Stichprobe geschätzt durch
1
n
2
&
S E2 = −
yk − A Bxk .
(n − 2)
k=1
Dabei wird wie in der Regression üblich durch den Faktor (n − 2) dividiert,
da zwei Parameter ( A und B) zu schätzen sind. In der Stichprobenliteratur findet
man aber auch die Division durch (n − 1). Für Stichproben üblicher Größe ist der
Unterschied jedoch vernachlässigbar. Insgesamt schätzt man die Varianz durch

N −n 1 &
Var Ȳ R E G = S2
N n E
N −n 1 1
n
2
= −
yk − A Bxk
N n (n − 2)
k=1
N −n 1 1
n
2
= (yk − ȳ) −
B(xk − x̄) .
N n (n − 2)
k=1
Bei der letzten Umformung wurde ȳ = A + B x̄ benutzt. Das (1 − α)-

Konfidenzintervall hat die Form

Ȳ R E G − z 1− α2 Var Ȳ R E G , Ȳ R E G + z 1− α2 Var Ȳ R E G ,

Wir wollen der Frage nachgehen, ob sich der Einsatz eines Regressionsschät-

zers lohnt im Vergleich zur einfachen Zufallsstichprobe. Wir erhalten Var Ȳ E S ≥

Var Ȳ
REG genau dann, wenn S 2 ≥ S 2 . Einfache Umformungen und die Ausnut-
Y E
zung der Definition von A und B in (3.7) liefern
N
SY2 = (Yi − Ȳ )2
N
i=1
1

N
2
= Yi − Ȳ − B X̄ − B X̄
N
i=1
1

N
2
= Yi − A − B X i + B X i − X̄
N
i=1
= S E2 + B 2 S X2 . (3.10)
N
Wir schreiben B als S X Y /S X2 mit S X Y = i=1 (X i − X̄ )(Yi −Ȳ )/N . Man beachte,
dass ρ = S X Y /(S X SY ) die Korrelation zwischen X und Y wiedergibt. Wir erhalten
indem wir (3.10) durch SY2 teilen
S E2 S E2
1= + ρ2 ⇔ = (1 − ρ 2 ).
SY2 SY2
Wir können somit festhalten: Je größer die Korrelation zwischen X und Y , desto
vorteilhafter ist die Benutzung des Regressionsschätzers. Die Größe ρ 2 wird auch
als Bestimmtheitsmaß einer Regression bezeichnet.
Herleitung: Nachfolgend ist die Herleitung der Varianz des Regressionsschätzers geliefert.

Var Ȳ R E G = Var Ȳ R E G − Ȳ =
+
= Var( A B X̄ − Ȳ )
= Var( ȳ − B x̄ +
B X̄ − Ȳ )
≈∗ Var( ȳ − B x̄ + B X̄ − Ȳ )
= Var( ȳ − A − B x̄)
n
1
= Var (yk − A − Bxk )

n
k=1
n
1
1 N −n 2
= Var Ek = S .
n n N −1 E
k=1
Aus der Herleitung ist ersichtlich, dass die Approximation ∗ darauf basiert, dass die Unge-
nauigkeit der Schätzung in dem Parameter B unberücksichtigt bleibt.
Eine andere Möglichkeit der Herleitung kann ähnlich wie beim Quotientenschätzer mit Hilfe
einer Taylorreihenentwicklung durchgeführt werden (siehe z.B. Särndal, Swenson & Wretman
1992).
Regressionsschätzer

Der Regressionsschätzer für den Mittelwert Ȳ ist gegeben durch

Ȳ R E G = ȳ +
B( X̄ − x̄),
mit
n
(xk − x̄) (yk − ȳ)

B= k=1
.

n
(xk − x̄) 2
k=1
Die Varianz von

Ȳ R E G kann geschätzt werden durch

N −n 1
n
2
Var Ȳ R E G = (yk − ȳ) −
B(x k − x̄) .
N n (n − 2)
k=1
Die Idee des Regressionsschätzers lässt sich direkt auf den Fall mehrerer Sekun-
därvariablen erweitern. Seien dazu X und Z zwei Variablen, die die Sekundärinfor-
mation zu Y darstellen. Beispielsweise ist X das Alter und Z das Geschlecht. Wir
nehmen an, dass
Y = A + B X X + B Z Z + E.
Die Regressionskoeffizienten A, B X und B Z ergeben sich aus den Daten

(xk , z k , yk ) der Stichprobe durch eine einfache kleinste Quadrateschätzung. Unter
Ausnutzung von Matrixalgebra lässt sich der Schätzer schreiben als
⎛ ⎞ ⎛ ⎛ ⎞ ⎞−1 ⎛ ⎛ ⎞ ⎞
A
n 1
n 1
BX ⎠ = ⎝
⎝ ⎝ xk ⎠ (1, xk , z k )⎠ ⎝ ⎝ x k ⎠ yk ⎠ .

BZ k=1 zk k=1 zk
Damit ergibt sich der Regressionsschätzer durch
+
Ȳ R E G = A B X X̄ + B Z Z̄
= ȳ + B X ( X̄ − x̄) +
B Z ( Z̄ − z̄).
k = yk − A
Die Varianz ergibt sich ebenfalls analog. Es sei E − B X xk −
BZ zk
das geschätzte Residuum. So ergibt sich die Schätzung für die Varianz gemäß

N −n 1 1
n
Var Ȳ R E G = k2 .
E
N n (n − 3)
k=1
Dabei wird der Faktor n − 3 benutzt, weil 3 Parameter zu schätzen sind, A, B X

und B Z .
3.4 Zusammenhang der Schätzer
Modellbasierte Stichprobenverfahren bauen auf Modellen auf, die den Einfluss der
Sekundärinformation X auf Y beschreiben. Das globale Modell ist dabei ein Re-
gressionsmodell, d.h. Y ergibt sich als lineare Approximation von X . Im Falle, dass
diese lineare Approximation, dargestellt als Gerade, durch den Ursprung geht, ergibt
sich der Quotientenschätzer. Fordert man stattdessen, dass die Gerade die Steigung 1
hat, so resultiert der Differenzenschätzer. Somit stellt das lineare Regressionsmodell
den Kern von modellbasierten Verfahren dar. Die zu Grunde liegenden Modelle der
einzelnen Schätzer lassen sich somit wie folgt schreiben:
3.5 Beispiel 79
Regressionsschätzer : Yi = A + B X i
Quotientenschätzer : Yi = A + B X i mit A = 0
Differenzenschätzer : Yi = A + B X i mit B = 1.
Es ist zu beachten, dass die Herleitung der Schätzverfahren nicht auf der Gül-
tigkeit eines linearen Regressionsmodells als datengenerierendem Prozess basiert,
sondern nur die Regressionsgerade der Grundgesamtheit als Hilfsmittel benutzt.
Da das lineare Regressionsmodell hier nicht mit den üblichen Modellannahmen
verwendet wird, sind wir auf diese auch nicht näher eingegangen. Särndal et al.
(1992) verwenden daher als Konsequenz nicht den Begriff modellbasiert, sondern
den Begriff der „modellunterstützten“ (model assisted) Schätzung.
3.5 Beispiel
3.5.1 Experiment: Geld in der Börse

Um die Wirkung der drei vorgestellten modellbasierten Schätzer zu veranschau-
lichen, wollen wir diese anhand eines kleinen Beispiels miteinander vergleichen
(vergleiche auch Thompson 2002, S. 70). In einer Lehrveranstaltung über Stichpro-
benplanung führen wir ein kleines Experiment durch. Wir wollen uns einen Über-
blick darüber verschaffen, wieviel Geld ein Student im Mittel in seiner Geldbörse
bei sich führt. Dazu holen wir zunächst leicht zu beschaffende Sekundärinformation
ein. Hierzu bitten wir die Studierenden, eine grobe Vermutung darüber abzugeben,
wieviel Geld sie in ihrer Geldbörse haben, ohne dabei in diese zu schauen. Die so
erhaltene Information notieren wir als X i . In einer konkreten Klasse erhalten wir
beispielsweise folgende Daten:
X i = 30; 18; 29; 100; 25; 35; 30; 9; 7; 18; 40; 15; 6
undsomit X̄ = 27, 85.
Nun erzeugen wir eine Populationsliste, indem wir jedem Studenten der Klasse
eine eindeutige Nummer von 1 bis N geben. Aus dieser Liste ziehen wir zufällig n
Elemente und bitten die zugehörigen Studenten, das Geld in ihrer Geldbörse exakt
zu zählen. Wir erhalten damit neben der Sekundärinformation xk die zugehörige
Primärinformation yk , k = 1, . . . , n. In unserer konkreten Klasse erhalten wir fol-
gendes Ergebnis:
yk = 45, 04; 28, 28; 8, 68; 53, 61; 30, 66; 45, 50; 19, 77
xk = 30; 25; 7; 30; 29; 35; 18
undsomit x̄ = 24, 86.
Erhobene x und y Werte
50
40
y
30 20
x X
10
10 15 20 25 30 35
x
Abb. 3.3 Ergebnis der Stichprobe zum „Geld in der Geldbörse“
Die erhobenen Paare (x k , yk ) sind in Abb. 3.3 dargestellt. Vertikal sind die Werte
für X̄ und x̄ markiert. Wir können nun die zugehörigen Schätzer für Ȳ basierend auf
den oben vorgestellten modellbasierten Verfahren berechnen. Graphisch ist dies in
Abb. 3.4 gezeigt. Die Varianzreduktion wird offensichtlich.
3.5.2 Investitionswert Telefonnetz

Das nachfolgende Beispiel stammt aus einer Untersuchung im Auftrag der Bun-
desnetzagentur (www.bundesnetzagentur.de). Dabei soll der mittlere Investi-
tionswert pro Teilnehmeranschlussleitung in einem großen Telefonnetz bestimmt
werden. Dazu wurde das Telefonnetz in 7 319 Anschlussbereiche (AsB) aufgeteilt.
Diese AsB sind die statistischen Einheiten (Merkmalsträger) und bilden die Grund-
gesamtheit. Als Merkmal dient der Investitionswert Y (in Einheiten von Tausend).
Aus der Stichprobe soll der Gesamtinvestitionswert bestimmt werden. Durch Divi-
sion durch die (bekannte) Anzahl der Teilnehmeranschlussleitungen ergibt sich eine
Schätzung für den gewünschten mittleren Investitionswert.
3.5 Beispiel 81
Modellbasierte Schaetzer im Vergleich
45
40
35
Schaetzer
30
25
Einfache Differenzen Quotienten Regressions

Stichprobe Schaetzer Schaetzer Schaetzer
Abb. 3.4 Verschiedene Schätzer zum „Geld in der Geldbörse“. Die Kästen entsprechen den je-
weiligen 95%-Konfidenzintervallen. Beim Quotientenschätzer wurde zusätzlich die modifizierte
Varianzschätzung benutzt, die durch die gestrichelte Linie dargestellt ist
Da eine Vollerhebung im Gesamtnetz nur mit einem nicht vertretbaren Aufwand

durchzuführen gewesen wäre, wurde eine einfache Zufallsstichprobe vom Umfang
n = 287 gezogen. Es ergab sich daraus eine Schätzung von Ȳ E S = 465, 95 Geld-

einheiten mit einer geschätzten Varianz von Var Ȳ = 434, 15. ES
Um die Genauigkeit der Schätzung zu erhöhen, wurde zusätzlich als Hilfsmerk-
mal die Kabellänge X (in Einheiten von Tausend) verwendet. Dieses Merkmal ist
ein Maß für die Größe eines AsB und ist mit dem Merkmal „Investitionswert“ hoch
korreliert. Weiter ist die Kabellänge für alle AsB bekannt. Die mittlere Kabellänge
in der Grundgesamtheit betrug X̄ = 9, 97 Längeneinheiten. Als Schätzung für die
mittlere Kabellänge pro AsB ergab sich in der Stichprobe x̄ = 12, 08. Das bedeutet,
in der gezogenen Stichprobe ist die mittlere Kabellänge größer als in dem gesamten
Telefonnetz. Zur Korrektur wenden wir daher den Regressionsschätzer an. Dieser
ergibt sich zu
Ȳ R E G = 405, 67. Der Regressionsschätzer unterscheidet sich somit
deutlich vom einfachen Mittelwertschätzer Ȳ E S , was sich durch den Unterschied in
der Hilfsvariable Kabellänge erklären lässt. Daher liegt die Vermutung nahe, dass
auch der Investitionswert in der Stichprobe zu hoch geschätzt wird. Dies wird durch
den Regressionsschätzer korrigiert, der wie erwartet deutlich niedriger liegt als der
Mittelwertschätzer der einfachen Zufallsstichprobe.

Die (geschätzte) Varianz des Regressionsschätzers ist mit Var Ȳ R E G = 94, 01

ebenfalls deutlich geringer als die der einfachen Zufallsstichprobe mit Var Ȳ E S =
434, 15. Der Vergleich der beiden 95%-Konfidenzintervalle zeigt den Effizienzge-
winn durch die Verwendung der Zusatzinformation Kabellänge.
Konfidenzintervall basierend auf dem einfachen Mittelwertschätzer:

Ȳ E S − 1, 96 Var Ȳ E S ; Ȳ E S + 1, 96 Var Ȳ E S

= 465, 95 − 1, 96 434, 15; 465, 95 + 1, 96 434, 15

= 465, 95 − 1, 96 · 20, 84; 465, 95 + 1, 96 · 20, 84

= 425, 10; 506, 80 .
Konfidenzintervall basierend auf dem Regressionsschätzer:

Ȳ R E G − 1, 96 Var Ȳ R E G ; Ȳ R E G + 1, 96 Var Ȳ R E G

= 405, 67 − 1, 96 94, 01; 405, 67 + 1, 96 94, 01

= 405, 67 − 1, 96 · 9, 70; 405, 67 + 1, 96 · 9, 70

= 386, 66; 424, 68 .
Als Alternative zum Regressionsschätzer kann hier auch der Quotientenschätzer

verwendet werden, da eine Approximation der Form Y = R X durchaus inhaltlich
sinnvoll erscheint. Konkret ergibt sich
ȳ 465, 95
Ȳ Q S = X̄ = · 9, 97 = 38, 57 · 9, 97 = 384, 54.
x̄ 12, 08
Das Ausmaß der Korrektur ist im Vergleich zum Regressionsschätzer ähnlich.

Die geschätzte Varianz ist mit Var Ȳ = 135, 95 etwas größer.
QS
Man beachte, dass die Berechnung des Differenzenschätzers mit dem Hilfsmerk-
mal Kabellänge nicht sinnvoll ist, da die Kabellänge eine andere Maßeinheit hat als
der Investitionswert. Ein Differenzenschätzer entspricht einem Regressionsschätzer
mit einer Steigung der Regressionsgerade vom Wert 1. Inhaltlich heißt das, je Län-
geneinheit Kabel wird eine Geldeinheit investiert. Dies ist in diesem Beispiel nicht
gegeben, so dass die Verwendung des Differenzenschätzers ausscheidet.
3.6 Literatur 83
3.6 Literatur
Regressionsmodelle als solche werden ausführlich besprochen in Rao (1973) oder
Fahrmeir, Hamerle, und Tutz (1996). Neuere Ansätze finden sich auch in Fahrmeir,
Kneib, und Lang (2007). Regressionsmodelle in Kombination mit Stichproben-
verfahren werden besprochen in Cochran (1972) oder Thompson (2002) und den
dort angegebenen Referenzen. Umfangreiches Material im Bereich modellbasierter
Stichprobenverfahren findet man in Särndal et al. (1992).
Die Anwendungsmöglichkeiten des Regressionsschätzers sind sehr vielfältig, da
er es erlaubt, das ganze Instrumentarium der modernen Regressionstheorie anzu-
wenden, siehe dazu z.B. Fahrmeir et al. (2007). Voraussetzung für die Schätzung
ist dabei allerdings, dass jeweils die Mittelwerte der in dem Modell verwendeten
Hilfsgrößen in der Grundgesamtheit bekannt sind.
Neuere Ansätze für modellbasierte Stichprobenverfahren beruhen auf der Idee,
dass die lineare Struktur durch komplexere Funktionen ersetzt werden kann. Einfa-
che Umformulierung erlaubt es, den Regressionsschätzer wie folgt zu schreiben
1
1
n N

Ȳ R E G = (yk −
μ(xk )) +
μ(X i ), (3.11)
n N
k=1 i=1
wobei μ(X ) = A + B X das lineare Modell wiedergibt, das durch μ(X ) = A+ BX
geschätzt wird. Die Funktion μ(x) gibt somit den Modellansatz an. In den letz-
ten Jahren hat sich im Bereich der Statistik dabei durchgesetzt, lineare oder para-
metrische Modelle für μ(x) durch sogenannte glatte, nicht-parametrische Model-
le zu ersetzen. Als einführendes Werk sei hier auf Hastie und Tibshirani (1990)
oder Ruppert, Wand und Carroll (2003) verwiesen. Die gleiche Idee lässt sich auf
modellbasierte Verfahren übertragen. Das bedeutet, wir ersetzen die lineare Struktur
durch eine flexiblere Form indem wir fordern, dass μ(x) eine glatte, sprich differen-
zierbare Funktion in X ist. Die explizite Form von μ(x) bleibt aber unspezifiziert.
Dieser Ansatz ist natürlich nur sinnvoll für ein metrisches Merkmal X . Die Funktion
μ(x) kann nun aus den Daten (yk , xk ), k = 1, . . . , n, geschätzt werden. Grundle-
gende Ideen und Eigenschaften dieser Methode sind in Breidt und Opsomer (2000)
vorgestellt.
Auch wenn dieser Ansatz flexibel ist, so hat er numerisch eine Hürde. Für ein
lineares Modell μ(X ) = A + B X gilt
N
μ̄ = μ(X i ) = A + B X̄ = μ( X̄ ).
N
i=1
Das heißt, für die Berechnung des zweiten Ausdrucks in (3.11) ist es nicht not-
wendig die Sekundärinformation X i explizit für alle Individuen der Population zu
kennen. Es reicht aus, Kenntnis über X̄ zu haben. Für eine beliebige Funktion μ(X )
gilt hingegen im Allgemeinen μ̄ = μ( X̄ ) und somit ist für die Berechnung von μ̄
die Kenntnis aller X i -Werte notwendig. Ebenso können die Modelle beliebig erwei-
tert werden, um nicht normalverteilte Y -Werte zu behandeln (siehe beispielsweise
Opsomer, Breidt, Moisen, & Kauermann 2005).

Modellbasierten Schätzern liegt ein lineares Regressionsmodell zu Grunde, welches
in R mit Hilfe der Funktion lm(·) geschätzt werden kann. Dabei geht die Implemen-
tation in lm(·) davon aus, dass die Daten mit Zurücklegen gezogen wurden. Konkret
heißt dies, dass Korrekturfaktoren für endliche Populationen nicht berücksichtigt
werden. Wir verwenden daher das zu dem Buch gehörige R-Paket samplingbook,
das die oben vorgestellten modellbasierten Schätzer berechnet.
Teil des Pakets ist die Funktion mbes(·), welche modellbasierte Schätzungen
durchführt (model based estimation). Die Funktion mbes(·) wird durch das Laden
des Pakets verfügbar gemacht.
Die vorgestellten modellbasierten Schätzer können nun mit der Funktion

mbes(·) berechnet werden. Die Syntax der Funktion ist dabei wie folgt
> mbes(formula, data, aux, N = Inf, method = 'all', level = 0.95, ...)
# formula object of class formula (or one that can be coerced

# to that class): symbolic description for connection
# between primary and secondary information
# data data frame containing variables in the model
# aux known mean of auxiliary variable, which provides
# secondary information
# N positive integer for population size. Default is
# N=Inf, which means that calculations are carried out
# method estimation method.
# Options are 'simple','diff','ratio','regr','all'.
# Default is method = 'all'.
# Default is level = 0.95
# ... further options for linear regression model
Dabei steht formula für das zugrunde liegende Modell in der in R üblichen
Notation (siehe Dalgaard 2002). Wird Variable x als Sekundärinformation für y
gesehen, so setzen wir für formula das Modell y∼x ein. Ferner geben wir mit
data den Datensatznamen an und mit aux den bekannten Mittelwert der Sekun-
därinformation (auxiliary information) in der Grundgesamtheit. Unserer Notation
folgend ist dies X̄ . Wird keine Angabe für aux gemacht, gibt R eine Fehlermeldung
aus, die besagt, dass in diesem Fall mbes nicht geeignet ist, da die Sekundärinfor-
mation nicht adäquat genutzt werden kann. Bei der Berechnung der Varianz wird
davon ausgegangen, dass X̄ bekannt ist. Mit N wird der Populationsumfang für den
Korrekturfaktor (N −n)/N bei endlicher Grundgesamtheit angegeben. Erfolgt keine
Angabe, so wird N=Inf gesetzt. Eine weitere Angabe in mbes(·) ist method, welche
den gewünschten Schätzer angibt. Zur Verfügung stehen: simple (einfaches arith-
metisches Mittel Ȳ E S ), diff (Differenzenschätzer
Ȳ D ), ratio (Quotientenschätzer

Ȳ Q S ) und regr (Regressionsschätzer Ȳ R E G ). Ferner liefert die Angabe all alle
vorgestellten modellbasierten Schätzer. Schließlich kann mit level das Niveau des
Konfidenzintervalls angegeben werden und mit „...“ können weitere Parameter für
das lineare Regressionsmodell übergeben werden.
Nehmen wir exemplarisch die imaginären Daten aus Beispiel 3.2, welche vom
Paket bereitgestellt werden. Wir gehen nun davon aus, dass eine Stichprobe mit
den Einheiten 1, 2 und 5 gezogen wurde und dass der Mittelwert X̄ = 15 aus der
Grundgesamtheit bekannt ist. Die Daten sind also in der Form
id x y
1 1 11 9
2 2 11 10
5 5 21 22
im Datensatz data gegeben. Für unser Beispiel bestimmen wir somit den Differen-
zenschätzer wie folgt.
> mbes(formula=y~x, data=data, aux=15, N=5, method="diff",

+ level=0.95)
mbes object: Model Based Estimation of Population Mean

Population size N = 5, sample size n = 3
Values for auxiliary variable:
X.mean.1 = 15, x.mean.1 = 14.3333
----------------------------------------------------------------
Difference Estimate

95% confidence interval [13.2401,15.4265]
Das 95% Konfidenzintervall ergibt sich demnach zu [13.24; 15.43], der Differen-
zenschätzer hat den Wert 14.33. In analoger Weise erhalten wir den Quotienten-
schätzer.
> mbes(formula=y~x, data=data, aux=15, N=5, method="ratio",

+ level=0.95)


X.mean.1 = 15, x.mean.1 = 14.3333
----------------------------------------------------------------
Ratio Estimate

Schließlich bestimmt sich der Regressionsschätzer wie folgt:
> mbes(formula=y~x, data=data, aux=15, N=5, method="regr",

+ level=0.95)


X.mean.1 = 15, x.mean.1 = 14.3333
----------------------------------------------------------------
Linear Regression Estimate
Mean estimate: 14.5

----------------------------------------------------------------
Linear Regression Model:
Call:
lm(formula = formula, data = data)
Residuals:
1 2 5
-5.00e-01 5.00e-01 8.12e-17
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.2500 1.3067 -3.252 0.190
x 1.2500 0.0866 14.434 0.044 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.7071 on 1 degrees of freedom

Multiple R-squared: 0.9952, Adjusted R-squared: 0.9904
F-statistic: 208.3 on 1 and 1 DF, p-value: 0.04404
Beim Regressionsschätzer erhalten wir zusätzliche Informationen über das zu

Grunde liegende lineare Modell.
Setzt sich die Sekundärinformation aus mehreren Variablen zusammen, so kön-

nen diese im Rahmen eines multiplen linearen Modells bei der Berechnung des
Regressionsschätzers mit mbes(·) genutzt werden.
Weiterhin wollen wir die numerische Umsetzung anhand realer Daten demon-
strieren. Die Daten zu Beispiel 3.5.1 zum Geld in der Geldbörse sind im Paket
samplingbook im Datensatz money gespeichert. Die verschiedenen Schätzer kön-
nen folgendermaßen berechnet werden.
> data(money)
> print(money)
id X y
1 1 30 45.04
2 2 18 NA
3 3 29 30.66
4 4 100 NA
5 5 25 28.28
6 6 35 45.50
7 7 30 53.61
8 8 9 NA
9 9 7 8.68
10 10 18 19.77
11 11 40 NA
12 12 15 NA
13 13 6 NA
> mu.X <- mean(money$X)

> x <- money$X[which(!is.na(money$y))]
> y <- money$y[which(!is.na(money$y))]
> mbes(formula=y~x, aux=mu.X, N=13, method='all')


X.mean.1 = 27.8462, x.mean.1 = 24.8571
----------------------------------------------------------------
Simple Estimate

----------------------------------------------------------------
Difference Estimate

----------------------------------------------------------------
Ratio Estimate

----------------------------------------------------------------

----------------------------------------------------------------
Call:
Residuals:
1 2 3 4 5 6 7
4.239 -8.640 -5.012 -2.811 12.809 2.423 -3.008
Coefficients:
(Intercept) -4.2571 8.8633 -0.480 0.6513
x 1.5020 0.3362 4.467 0.0066 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

F-statistic: 19.95 on 1 and 5 DF, p-value: 0.006598
Weiterhin eignen sich modellbasierte Schätzer, um wie in Beispiel 3.1 Prognosen

für die Stimmenanteile von Parteien basierend auf alten Wahlergebnissen zu erstel-
len. Um dies zu zeigen, verwenden wir den Datensatz election aus dem Paket
samplingbook. Dieser enthält die Stimmenanteile zur Bundestagswahl von 2002
und 2005 für die fünf Parteien SPD, Union, die Grünen, die FDP und die Linke
für die einzelnen Wahlkreise. Anhand einer Stichprobe soll nun der Stimmenanteil
für die SPD für 2005 prognostiziert werden. Dabei stellen wir uns vor, dass die
Werte von 2002 die wahren Stimmenanteile sind und die Werte von 2005 aus ei-
ner Umfrage unter den wahlberechtigten Personen der in die Stichprobe gezogenen
Wahlkreise stammen. Zur Veranschaulichung berechnen wir an dieser Stelle nur den
Regressionsschätzer. Vorbereitend laden wir den Datensatz, welcher die benötigten
Informationen zu allen Wahlkreisen enthält. Aus diesen ziehen wir exemplarisch
eine Stichprobe vom Umfang n = 20. Weiterhin berechnen wir als Hilfsgröße
den wahren Stimmenanteil der SPD von 2002. Basierend auf diesen Vorbereitungen
können wir nun die Funktion mbes(·) anwenden.
> data(election)
> N <- nrow(election)
> set.seed(67396)
> sample <- election[sort(sample(1:N, size=20)),]
> X.mean <- mean(election$SPD_02)
> mbes(SPD_05 ~ SPD_02, data=sample, aux=X.mean, N=N,
+ method="regr")


X.mean.1 = 0.3861, x.mean.1 = 0.3956
----------------------------------------------------------------

----------------------------------------------------------------
Call:
Residuals:
Min 1Q Median 3Q Max
-0.06312 -0.01003 0.01472 0.01881 0.04947
Coefficients:
(Intercept) -0.02110 0.04777 -0.442 0.664
SPD_02 0.91999 0.11896 7.734 3.96e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

F-statistic: 59.81 on 1 and 18 DF, p-value: 3.956e-07
Das Ergebnis kann nun mit dem „wahren“ Stimmenanteil für die SPD verglichen
werden.
> mean(election$SPD_05)
[1] 0.3426949
Dieser liegt im oben berechneten Konfidenzintervall.

Wir können das Beispiel nun erweitern, indem wir eine weitere Einflussgröße
in das Modell einbeziehen. Wir verwenden zusätzlich das Ergebnis der Grünen aus
dem Jahr 2002. Zu beachten ist, dass jetzt nur der Regressionsschätzer als Methode
möglich ist.
> X.mean2 <- c(mean(election$SPD_02), mean(election$GREEN_02))

> mbes(SPD_05 ~ SPD_02 + GREEN_02, data=sample, aux=X.mean2,
+ N=N, method="regr")


X.mean.1 = 0.3861, x.mean.1 = 0.3956
X.mean.2 = 0.0848, x.mean.2 = 0.0681

----------------------------------------------------------------

----------------------------------------------------------------
Call:
Residuals:
Min 1Q Median 3Q Max
-0.0382967 -0.0226654 0.0002126 0.0181809 0.0598151
Coefficients:
(Intercept) -0.07526 0.04152 -1.813 0.08761 .
SPD_02 0.92815 0.09520 9.749 2.24e-08 ***
GREEN_02 0.74753 0.22414 3.335 0.00392 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

F-statistic: 52.28 on 2 and 17 DF, p-value: 5.47e-08
Die Berücksichtigung der Anteile der Grünen führt zu einer Verbesserung der
Schätzung.
Kapitel 4
Designbasierte Stichprobenverfahren
Im vorherigen Kapitel haben wir die Sekundärinformation mit Hilfe eines Modells
ausgenutzt, um den Schätzer für die Primärinformation zu verbessern. Die gezogene
Stichprobe war jedoch eine einfache Zufallsstichprobe und das Stichprobendesign
blieb somit unverändert. Dadurch hatte jedes Individuum der Population die gleiche
Wahrscheinlichkeit, in die Stichprobe zu gelangen. Wir wollen dieses Konzept nun
aufgeben und die Sekundärinformation schon bei dem Auswahlverfahren, d.h. bei
der Wahl des Stichprobendesigns, ausnutzen. Das führt in der Regel dazu, dass die
Individuen der Population unterschiedliche Wahrscheinlichkeiten erhalten, in die
Stichprobe zu gelangen.
Beispiel 4.1: Auf einem ehemalig industriell genutzten Gebiet soll eine Altlas-
tensanierung durchgeführt werden. Um die Kosten dafür abschätzen zu können,
soll eine Teilerhebung der Schadstoffbelastung des Bodens erfolgen. Dazu wird
die Fläche in Planquadrate geeigneter Größe eingeteilt. Ohne weitere Zusatzinfor-
mation scheint es sinnvoll, eine einfache Zufallsstichprobe aus den Planquadraten
zu ziehen, d.h. n Planquadrate zufällig auszuwählen und hier Bodenproben zu
nehmen. In dem konkreten Fall liegen jedoch vor der Stichprobenziehung Sekun-
därinformationen vor. So ist bekannt, dass bestimmte Teilflächen des Gebietes
besonders belastet sind (z.B. der ehemalige Standort einer Fabrik), andere Flä-
chen hingegen weniger. Folglich ist man an der Untersuchung der stark belasteten
Flächen besonders interessiert. Daher kann man das Design so modifizieren, dass
die vermutlich hochbelasteten Teilflächen eine höhere Auswahlwahrscheinlich-
keit erhalten. Eine andere Möglichkeit besteht darin, die Grundgesamtheit auf-
grund der Vorinformation in mehrere Regionen aufzuteilen („geringe Belastung“,
„mittlere Belastung“, „hohe Belastung“) und dann aus den jeweiligen Regionen
eine einfache Zufallsstichprobe zu ziehen.
In diesem Kapitel geht es also um die Frage, wie durch die Wahl eines geeig-
neten Stichprobendesigns die Schätzung der relevanten Größen verbessert werden
kann. Dabei soll die vorhandene Sekundärinformation genutzt werden, um Schät-
zer mit möglichst kleiner Varianz zu erhalten. Geht man davon aus, dass jedes in
die Stichprobe aufgenommene Individuum die gleichen Kosten verursacht, so wird
man geneigt sein, Individuen mit höherem Informationsgehalt eher in die Stichprobe

94 4 Designbasierte Stichprobenverfahren
aufzunehmen als weniger informative Individuen. Wie dies realisiert werden kann,
wollen wir nachfolgend beschreiben.
Die Wahl von anderen Stichprobendesigns erfordert aber auch ein anderes Vor-
gehen bei der Schätzung des Populationsmittelwertes. Es stellt sich heraus, dass die
bisher diskutierten Schätzer in der Regel bei anderen Stichprobendesigns verzerrt
sind, d.h. einen systematischen Fehler aufweisen. Daher wenden wir uns zunächst
der Frage der Parameterschätzung bei allgemeinen Stichprobendesigns zu.
4.1 Horvitz-Thompson-Schätzer
In ihrer Arbeit „A generalization of sampling without replacement from a finite
universe“ haben die beiden Statistiker D.G. Horvitz und D.J. Thompson einen all-
gemeinen Mittelwertschätzer für eine große Klasse von Stichprobendesigns vor-
geschlagen (Horvitz & Thompson 1952). Dieser Schätzer wird üblicherweise als
Horvitz-Thompson-Schätzer bezeichnet und ist für alle Stichprobendesigns an-
wendbar, bei denen es nicht zulässig ist, dass ein Element mehrfach in die Stichpro-
be gelangt. Diese Voraussetzung ist in den meisten praktisch verwendeten Designs
erfüllt. Eine Ausnahme bilden nur Designs „mit Zurücklegen“.
Beispiel 4.2: In einem Landkreis soll der Baumbestand geschätzt werden. Da-
zu wird ein Raster bestehend aus Planquadraten, jedes ca. 100 mal 100 Meter
groß, über den Landkreis gelegt. Nachfolgend werden zufällig 1 000 der resultie-
renden Planquadrate (= 1 Hektar) gezogen und per Feldversuch bezüglich des
Baumbestandes untersucht. Einige dieser gezogenen Hektar fallen zufälligerwei-
se in städtisches Gebiet, wobei im Vorhinein klar ist, dass der Baumbestand dort
von vernachlässigbarer Größe ist. Somit ist also ein Planquadrat in städtischen
Gebieten für die Erhebung des Baumbestandes von wenig Information. Andere
Planquadrate fallen in bewaldetes Gebiet. Derartige Planquadrate sind für die
Bestimmung des Baumbestandes von großem Informationsgehalt. Es drängt sich
somit die Frage auf, ob wir informative Planquadrate eher, sprich mit größerer
Wahrscheinlichkeit ziehen sollten als weniger informative. Es liegt nahe, den
Baumbestand eher in Waldgebieten als in bebauten oder landwirtschaftlich ge-
nutzten Bereichen zu untersuchen. Aus Sicht der Stichprobenziehung scheint es
sinnvoll zu sein, Planquadrate, die in Waldbezirken liegen, mit höherer Wahr-
scheinlichkeit zu ziehen als Bereiche in städtischen Gebieten. Bei Verwendung
des einfachen Stichprobenmittels wird man dann aber den Baumbestand syste-
matisch überschätzen. Dieser Bias lässt sich korrigieren, wie wir nachfolgend
sehen werden.
Wir bezeichnen im Folgenden mit πi die Auswahlwahrscheinlichkeit für das

i-te Individuum in die Stichprobe aufgenommen zu werden, sprich
N in die Stich-
probe gezogen zu werden. Bei festem Stichprobenumfang n gilt i=1 πi = n (Her-
leitung siehe S. 102).
4.1 Horvitz-Thompson-Schätzer 95
Weiter benötigen wir die Auswahlwahrscheinlichkeiten zweiter Ordnung. Sie

werden mit πi, j bezeichnet und geben die Wahrscheinlichkeit dafür an, dass die
Elemente i und j gleichzeitig in die Stichprobe gelangen. Wir bezeichnen πi, j auch
als paarweise Auswahlwahrscheinlichkeiten.
Die Idee des Horvitz-Thompson-Schätzers ist es, die Auswahlwahrscheinlich-
keiten πi zu benutzen, um einen unverzerrten Schätzer zu konstruieren. Der Schätzer
ist dabei wie folgt definiert:
1
yk
n

Ȳ H T = . (4.1)
N πk
k=1
Der Horvitz-Thompson-Schätzer ist erwartungstreu, wie wir später zeigen wer-

den. Im Falle einer einfachen Zufallsstichprobe, also wenn πi = n/N gesetzt wird,
ergibt sich der Horvitz-Thompson-Schätzer als einfaches arithmetisches Mittel. Die
Auswahlwahrscheinlichkeiten zweiter Ordnung werden zur Berechnung der Varianz
des Schätzers benötigt. Zunächst wollen wir aber der Frage nachgehen, warum die
Verwendung von ungleichen Auswahlwahrscheinlichkeiten von Vorteil sein kann.
Dies demonstrieren wir anhand eines kleinen Zahlenbeispiels.
Auswahlwahrscheinlichkeit
Gegeben sei ein beliebiges Stichprobendesign.

Damit wird jeder Stichprobe s eine Wahrscheinlichkeit zugeordnet.
Die Auswahlwahrscheinlichkeit πi gibt die Wahrscheinlichkeit an,

mit der das i-te Individuum in die Stichprobe gelangt, d.h.
πi = P(Individuum i wird in die Stichprobe gezogen).
Ist der Stichprobenumfang n fest, so gilt

N
πi = n.
i=1
Die paarweisen Auswahlwahrscheinlichkeiten oder Auswahlwahr-

scheinlichkeiten zweiter Ordnung πi, j geben die Wahrscheinlichkeit an,
dass sowohl Individuum i als auch Individuum j
in die Stichprobe gelangt, d.h.
πi, j = P(Individuum i und j werden gemeinsam in die Stichprobe gezogen).

Beispiel 4.3: Nehmen wir an, unsere Population bestehe aus 4 Elementen und
sehe wie folgt aus:
Y1 = 10, Y2 = 20, Y3 = 80, Y4 = 90.
Wir ziehen zunächst eine einfache Zufallsstichprobe vom Umfang n = 2,

wobei jedes Individuum die gleiche Wahrscheinlichkeit hat, gezogen zu werden.
Damit ergibt sich als Verteilung für das arithmetische Mittel der Stichprobe
ȳ 15 45 50 55 85
,
P( ȳ) 1/6 1/6 2/6 1/6 1/6
so dass E( ȳ) = 50 und Var( ȳ) = 416, 7 ist. Als Auswahlwahrscheinlichkeit

erhalten wir für die einzelnen Individuen πi = n/N = 2/4, was wir tabellarisch
zusammenstellen:
i 1 2 3 4
.
πi 2/4 2/4 2/4 2/4
Man beachte, dass die Werte von πi für jedes einzelne Individuum zwar eine
Wahrscheinlichkeit darstellen, die πi über die Individuen betrachtet
N jedoch keine
Wahrscheinlichkeitsverteilung
wiedergeben. Es gilt vielmehr i=1 πi = n. Be-
4
trachtet man die 6 = möglichen Stichproben, so sieht man, dass die Ele-
2
mente i und j (i = j) jeweils nur in einer der 6 Stichproben gemeinsam vorkom-
men. Als Auswahlwahrscheinlichkeiten zweiter Ordnung πi, j ergeben sich dem-
nach die Werte 1/6 für alle Kombinationen von i und j. Als Tabelle geschrieben
erhält man also:
πi, j 1 2 3 4
1 · · · ·
2 1/6 · · ·
3 1/6 1/6 · ·
4 1/6 1/6 1/6 ·
Wir geben nun die Annahme auf, dass jedes Individuum die gleiche Wahr-
scheinlichkeit hat, gezogen zu werden. Stattdessen soll beispielsweise das vier-
te Individuum eine größere Wahrscheinlichkeit erhalten, in die Stichprobe zu
gelangen. Wir wollen dies technisch wie folgt umsetzen. Die Auswahl der In-
dividuen bei einer einfachen Zufallsstichprobe kann man sich (zumindest ge-
danklich) so vorstellen: In einer Urne befinden sich N unterscheidbare Kugeln
mit den Aufdrucken 1, 2, 3, . . . , N . Aus diesen N Kugeln ziehen wir n Kugeln
ohne Zurücklegen. Wird die Kugel mit Aufdruck i gezogen, so wird entspre-
chend Individuum i in die Stichprobe aufgenommen. Für unser Beispiel besteht
die Urne aus N = 4 Kugeln mit den Aufdrucken 1, 2, 3, 4. Wir legen nun eine
zusätzliche Kugel mit Aufdruck 4 in die Urne, so dass sich nun 5 Kugeln mit den
Aufdrucken 1, 2, 3, 4, 4 in der Urne befinden. Nun ziehen wir ohne Zurücklegen
n = 2 mal, wobei Züge, bei denen beide Kugeln mit Aufdruck 4 gezogen werden,
nicht zählen. Das heißt insbesondere, wird eine der beiden Kugeln mit Aufdruck
4 beim ersten Zug gezogen, so entfernen wir die verbleibende zweite Kugel mit
Aufdruck 4 aus der Urne. Dieses Prinzip garantiert, dass die gezogenen Kugeln
stets unterschiedliche Aufdrucke haben. Entsprechend den Aufdrucken nehmen
wir die Individuen in die Stichprobe auf und erhalten damit die folgenden mögli-
chen Ergebnisse:
Gezogene Individuen ȳ Wahrscheinlichkeit

1 2 15 1/10 = 2 · 1/5 · 1/4
1 3 45 1/10
1 4 50 7/30 = 1/5 · 2/4 + 2/5 · 1/3
2 3 50 1/10
2 4 55 7/30
3 4 85 7/30
Herleitung: Die Wahrscheinlichkeiten ergeben sich dabei wie folgt. Die erste Stichprobe
erhalten wir, indem wir erst Individuum 1 und dann Individuum 2 ziehen oder umgekehrt.
Betrachten wir erst den Fall, dass wir Individuum 1 zuerst ziehen. Die verbleibenden Indi-
viduen 2, 3 und 4 erhalten für den zweiten Zug die Wahrscheinlichkeiten 1/4, 1/4 und 2/4,
d.h. die Restwahrscheinlichkeit wird auf die 3 verbleibenden Individuen aufgeteilt, nachdem
Individuum 1 gezogen wurde. Somit ergibt sich die Wahrscheinlichkeit 1/4 für Individuum
2 gezogen zu werden. Die anderen Wahrscheinlichkeiten ergeben sich analog.
Für das arithmetische Mittel ergibt sich damit die Verteilung zu:
ȳ 15 45 50 55 85
.
P( ȳ) 1/10 1/10 1/3 7/30 7/30
Berechnet man daraus den Erwartungswert, so ergibt sich E( ȳ) = 55, 33.
Nicht überraschend ist der Erwartungswert größer als der Mittelwert der Popu-
lation, d.h. ȳ ist verzerrt. Das liegt daran, dass Individuum 4 mit einer größeren
Wahrscheinlichkeit als die anderen Individuen gezogen wird. Wir wollen diese
Verzerrung nun korrigieren, was zum Horvitz-Thompson-Schätzer führt.
In dem Beispiel haben wir die Wahrscheinlichkeit für Individuum 4, in die

Stichprobe zu gelangen, erhöht. Berechnen wir also die konkreten Auswahlwahr-
scheinlichkeiten π1 , π2 , π3 und π4 aus der obigen Tabelle, so erhalten wir
i 1 2 3 4
.
πi 13/30 13/30 13/30 21/30
Die Auswahlwahrscheinlichkeiten ergeben sich dabei wie folgt. Individuum

1 kann beispielsweise in drei möglichen Stichproben gezogen werden, die ih-
rerseits die Wahrscheinlichkeiten 1/10, 1/10 und 7/30 besitzen, was summiert
13/30 ergibt. Individuum 4 hat somit eine höhere Wahrscheinlichkeit gezogen
zu werden, was zu der Verzerrung führt. Ebenso können wir basierend auf der
obigen Tabelle die Auswahlwahrscheinlichkeiten zweiter Ordnung angeben. Es
ergibt sich basierend auf unserem Ziehungsmechanismus
πi, j 1 2 3 4
1 · · · ·
2 1/10 · · ·
3 1/10 1/10 · ·
4 7/30 7/30 7/30 ·
Mit den so berechneten Auswahlwahrscheinlichkeiten πi können wir nun den

Horvitz-Thompson-Schätzer anwenden. Für die mögliche Stichprobe bestehend
aus den Individuen 1 und 2 folgt beispielsweise

1 10 20
Ȳ H T = + = 17, 31.
4 13/30 13/30
In analoger Weise erhält man (gerundete Ergebnisse)
Gezogene Individuen
Ȳ H T Wahrscheinlichkeit
1 2 17,31 1/10
1 3 51,92 1/10
1 4 37,91 7/30
2 3 57,69 1/10
2 4 43,68 7/30
3 4 78,30 7/30
und somit ergibt sich die Verteilung

Ȳ H T 17,31 37,91 43,68 51,92 57,69 78,30

P Ȳ H T 1/10 7/30 7/30 1/10 1/10 7/30

Einfache Berechnung zeigt nun E Ȳ H T = 50, d.h. der Schätzer ist erwartungs-
treu.
An diesem Zahlenbeispiel wird die Grundidee des Horvitz-Thompson-Schät-

zers deutlich. Die Überrepräsentation (d.h. die höhere Auswahlwahrscheinlich-
keit) des vierten Elements, die durch die Wahl des Designs zustande kommt,
wird durch die niedrigere Gewichtung mit der inversen Auswahlwahrschein-

lichkeit ausgeglichen. Für die Varianz ergibt sich Var Ȳ H T = 343, 45. Inter-
essanterweise ist die Varianz kleiner
als im zuerst besprochenen Fall der ein-

fachen Zufallsstichprobe mit Var Ȳ E S = 416, 7, in der alle Individuen die
gleiche Wahrscheinlichkeit haben, in die Stichprobe aufgenommen zu werden.
Das bedeutet, indem wir Individuum 4 eine größere Chance gegeben haben, in
die Stichprobe gezogen zu werden, haben wir die Varianz des Schätzers redu-
ziert, ohne den Stichprobenumfang zu erhöhen. Wie können wir dieses Phänomen
erklären? Dazu gehen wir noch einen Schritt weiter und wählen die Auswahl-
wahrscheinlichkeiten πi proportional zu Yi , d.h. wir ziehen eine Stichprobe mit
Auswahlwahrscheinlichkeiten
n Yi
πi = . (4.2)
N Ȳ
Für das Zahlenbeispiel bedeutet dies
i 1 2 3 4
.
πi 0,1 0,2 0,8 0,9
Ziehen wir nun basierend auf den Stichprobengewichten eine Stichprobe und
berechnen den Horvitz-Thompson-Schätzer Ȳ H T , so zeigt sich, dass in diesem
Fall
1
yk 1
yk
n n

Ȳ H T = = N Ȳ = Ȳ .
N πk nN yk
k=1 k=1
Das bedeutet, unabhängig von der realisierten Stichprobe liefert der Schätzer
das arithmetische Mittel der Population. Das impliziert aber andererseits, dass
die Varianz des Schätzers in diesem Fall gleich 0 ist, d.h. der Schätzer weist keine
Streuung auf. Dies klingt nach Zauberei, und es taucht die Frage auf: Wo ist
der Haken? Die Antwort ist einfach. Die Stichprobengewichte πi nach Formel
(4.2) hängen von Yi ab, also von dem Variablenwert des i-ten Individuums in der
Grundgesamtheit. Dieser ist generell unbekannt, denn genau deswegen ziehen wir
ja eine Stichprobe. Somit sind in der Praxis die Gewichte in Form von (4.2) nicht
wählbar. Dennoch ist das Beispiel hilfreich. Es zeigt nämlich, selbst wenn man
die optimalen Gewichte nicht nutzen kann, so sollten die Auswahlwahrschein-
lichkeiten πi die folgende Eigenschaft aufweisen: πi sollte groß sein, wenn (das
unbekannte) Yi als groß vermutet wird.
Das Beispiel hat die grundlegenden Vorteile einer Stichprobe gezeigt, in der
die Auswahlwahrscheinlichkeiten πi in geeigneter Form proportional zu den (vor
Stichprobenziehung unbekannten) Yi gewählt werden. Eine derartige Stichproben-
ziehung wird als größenproportionale Stichprobe bezeichnet und wird in Abschn.
4.2 ausführlich behandelt. Zunächst wollen wir aber die Varianz des Horvitz-
Thompson-Schätzers herleiten. Hierzu benötigen wir nicht nur die Auswahlwahr-

scheinlichkeiten πi , sondern auch die paarweisen Auswahlwahrscheinlichkeiten
πi, j . Als Varianz erhalten wir damit (Herleitung siehe unten)
⎡ ⎤
1
N
π (1 − π )
N
π − π π
Var Ȳ H T = 2 ⎣ Yi Y j ⎦ .
i i i, j i j
Yi2 +
N πi2 πi π j
i=1 i=1 j=1
i= j (4.3)
Die Varianz kann im Prinzip wie folgt geschätzt werden durch

n
1
1 − πk 2

πk,l − πk πl
n n

Var Ȳ H T = 2 yk + yk yl ,
N πk2 πk,l πk πl
k=1 k=1 l=1
k=l (4.4)
wobei dieser Schätzer eklatante Nachteile aufweist, wie wir später zeigen werden.
Wir sehen, dass der Horvitz-Thompson-Schätzer ein recht allgemeingültiges Kon-
zept widerspiegelt. Insbesondere kann das Design der einfachen Zufallsstichprobe
als Spezialfall angesehen werden. Hier gilt πi = n/N für alle Individuen und die
Varianzformel des Horvitz-Thompson-Schätzers vereinfacht sich in diesem Fall zu
den Ergebnissen, wie wir sie in Abschn. 2.6 hergeleitet haben. Man beachte, dass der
Horvitz-Thompson-Schätzer nur auf zwei Eigenschaften des Stichprobenverfahrens
beruht:
• Jedes Element kann nur einmal in die Stichprobe gelangen.

• Die Wahrscheinlichkeit für jedes Element der Grundgesamtheit, in die Stichprobe
zu gelangen, ist größer als 0 (πi > 0).
Daher kann der Horvitz-Thompson-Schätzer für beliebige Stichprobendesigns

mit diesen Eigenschaften verwendet werden, wie wir in den nachfolgenden Kapiteln
noch sehen werden. Dies gilt auch für Stichprobendesigns, bei denen der Stichpro-
benumfang nicht festgelegt ist. Der Horvitz-Thompson-Schätzer gewichtet die ge-
zogenen Elemente mit ihren inversen Auswahlwahrscheinlichkeiten. Dieses ebenso
einfache wie wirkungsvolle Prinzip findet nicht nur in der Stichprobentheorie, son-
dern auch in anderen Gebieten der Statistik Anwendung. Die wichtige Eigenschaft
der Erwartungstreue des Horvitz-Thompson-Schätzers wird in der Literatur häufig
auch als Horvitz-Thompson-Theorem bezeichnet.
Herleitung: Wir wollen zunächst zeigen, wie der Horvitz-Thompson-Schätzer funktioniert
und warum er unverzerrt ist. Dazu bilden wir den Erwartungswert. Da in obiger Formel sowohl
yk (als auch πk ) zufällig gezogen sind, verwenden wir zum Nachweis der Eigenschaften des
Schätzers einen Trick, indem wir den Schätzer als Summe über die Elemente der Grundgesamt-
heit darstellen. Dazu definieren wir Ii als Indikator, der angibt, ob das i-te Individuum in die
Stichprobe gezogen wurde (Ii = 1) oder nicht (Ii = 0). Damit ist Ii eine Bernoulli-Variable
mit E(Ii ) = P(Ii = 1) = πi . Sie wird auch als Inklusionsvariable bezeichnet. Wir können
den Horvitz-Thompson-Schätzer damit umschreiben zu
1
yk 1
Yi Ii
n N

Ȳ H T = = .
N πk N πi
k=1 i=1
Bilden wir nun den Erwartungswert, so ist nur Ii zufällig und es folgt
1
Yi E(Ii )
N
E Ȳ H T = = Ȳ ,
N πi
i=1
was die Unverzerrtheit zeigt.

Die Herleitung der Varianz erfolgt, indem wir nochmals auf die Indikatorvariablen Ii und
I j zurückgreifen, wobei E(Ii ) = P(Ii = 1) = πi , Var(Ii ) = πi (1 − πi ) und Cov(Ii , I j ) =
πi, j − πi π j ist. Damit gilt
N
1
Yi Ii
Var Ȳ H T = 2 Var
N πi
i=1
⎡ ⎤
1
Var(Ii ) 2

Cov(Ii , I j )
N N N
= 2⎣ Yi + Yi Y j ⎦ ,
N πi2 πi π j
i=1 i=1 j=1
i= j
woraus die Varianz direkt folgt. Die Varianz ist dabei abhängig von den unbekannten Ausprä-
gungen Y1 , . . . , Y N , so dass wir eine entsprechende Schätzung für die praktische Anwendung
benötigen. Ein erwartungstreuer Schätzer ergibt sich, indem wir die Summen über alle Indi-
viduen durch die Summen über die in der Stichprobe enthaltenen Individuen ersetzen. Dabei
kann die Unverzerrtheit des Varianzschätzers leicht gezeigt werden. Man beachte, dass unter
der Voraussetzung πi, j = 0 für alle i, j
⎡ ⎤
1 ⎣
1 − πi 2
N
N
N
πi, j − πi π j

Var Ȳ H T = 2 Yi Ii + Yi Y j Ii I j ⎦ ,
N πi2 πi, j πi π j
i=1 i=1 j=1
i= j
wobei nun Ii und I j die Zufallsgrößen sind. Setzt man nun für E(Ii ) = πi und E(Ii I j ) = πi, j ,

so folgt E Var Ȳ H T = Var Ȳ H T .
Die Schätzung der Varianz gemäß (4.4) ist zwar erwartungstreu, sprich liefert im
Mittel die Varianz (4.3), es ist aber nicht garantiert, dass die Varianzschätzung nach
(4.4) positiv ist, sprich negative Werte können auftreten, was natürlich nicht sinnvoll
ist. Aus diesem Grund sind verschiedene Alternativen vorgeschlagen worden, die
sich im praktischen Einsatz als weitaus sinnvoller erwiesen haben. Wir verweisen
hier auf den Ansatz von Yates und Grundy (1953) (siehe auch Sen 1953). Dazu
schreiben wir Formel (4.3) um und erhalten (Herleitung siehe unten)

1 1

N N
Yi Yj 2
VarY G Ȳ H T = 2 · πi π j − πi, j − . (4.5)
N 2 πi πj
i=1 j=1
i= j
Voraussetzung ist hierbei, dass der Stichprobenumfang fest steht. An dieser Dar-
stellung (4.5) wird deutlich, dass für die Streuung hauptsächlich die Varianz von πYii

relevant ist. Für den Fall πYii = π jj ergibt sich unmittelbar VarY G
Y
Ȳ H T = 0, was
wir oben schon als optimale Auswahlwahrscheinlichkeiten herausgearbeitet hatten.
Weiter ist zu bemerken, dass Differenzen der Paare für die πi, j = πi π j gilt, die
also unabhängig voneinander gezogen werden, nicht in die Summe eingehen. Der
theoretischen Form (4.5) folgend kann man nun die Varianz schätzen durch

1 1

πk πl − πk,l yk
n n
yl 2
VarY G Ȳ H T = 2 · − . (4.6)
N 2 πk,l πk πl
k=1 l=1
k=l
Diese Formel für die Varianzschätzung stammt von Yates und Grundy (1953),
was als Index Y G vermerkt ist. Der ursprüngliche Varianz-Schätzer stammt von
Horvitz und Thompson (1952). Wie aus der folgenden Herleitung hervorgeht, er-
gibt sich für die theoretische Varianz von
Ȳ H T durch die Formeln (4.5) und (4.3)
ein identischer Wert. Allerdings sind die dazugehörigen Schätzer (4.4) und (4.6)
verschieden. In Simulationsstudien und theoretischen Arbeiten wurde gezeigt, dass
die Varianzschätzung (4.6) nach Yates und Grundy dem Schätzer (4.4) vorzuziehen
ist (siehe bspw. Godambe & Joshi 1965; Lanke 1974; Rao & Singh 1973, oder
Vijayan 1975). In manchen Fällen tritt das Problem von negativen Varianzschätzern
auf. Dies kann durch die Wahl des Designs für (4.6) vermieden werden, falls für alle
Paare k, l die Bedingung πk πl − πk,l > 0 gilt.
Herleitung: Um Formel (4.5) herzuleiten, zeigen wir zunächst zwei Identitäten der Auswahl-
wahrscheinlichkeiten:

N
Es gilt πi = n, da Ii = n und somit E Ii = E (Ii ) = πi = n.
i=1 i=1 i=1 i=1 i=1
Wir benötigen des Weiteren die Identität
N
(πi π j − πi, j ) = πi (1 − πi ) .
j=1
j =i
Man erhält diese durch Verwendung des festen Stichprobenumfangs n. Für festes i gilt daher

N
N
N
n= Ij = I j + Ii und damit I j = n − Ii . Daraus folgt:
j=1 j=1,i= j j=1,i= j
πi (1 − πi ) = Var (Ii ) = Cov (Ii , Ii ) = −Cov (Ii , n − Ii )

⎛ ⎞
⎜
N
⎟
N

N

= −Cov ⎝ Ii , Ij⎠ = − Cov Ii , I j = − πi, j − πi π j .
j=1 j=1 j=1
j =i j =i j =i
Wir formen die rechte Seite von (4.5) durch Auflösen des quadratischen Terms um:

1 1

N N
Yi Yj 2
· π i π j − πi, j −
N2 2 πi πj
i=1 j=1
i= j
1

N N N N
Y2 Yi Y j
= 2 πi π j − πi, j i2 − 2 πi π j − πi, j
N πi
N πi π j
i=1 j=1 i=1 j=1
i= j i= j
1
Yi2
1

πi, j − πi π j
N N N N

= 2 π i π j − πi, j + Yi Y j
N π2 N2 πi π j
i=1 i j=1 i=1 j=1
j=i i= j
1
πi (1 − πi ) 2 1

πi, j − πi π j
N N N
= 2 Yi + 2 Yi Y j
N πi
2 N πi π j
i=1 i=1 j=1
i= j

= Var Ȳ H T .
Die letzte Zeile entspricht genau Formel (4.3).
Horvitz-Thompson-Schätzer
Gegeben sei ein Stichprobendesign, bei dem jedes Element nur einmal
in die Stichprobe gelangen kann. Seien πi und πi, j die
Auswahlwahrscheinlichkeiten erster und zweiter Ordnung.
Weiter gelte πi > 0 für alle i.
Ein unverzerrter Schätzer für den Mittelwert Ȳ der Population ist

1
yk
n
Ȳ H T = .
N πk
k=1
Falls für alle i, j π > 0 gilt, so kann die Varianz von
i, j Ȳ HT
erwartungstreu geschätzt werden durch
n
1
1 − πk 2

πk,l − πk πl
n n

Var Ȳ H T = 2 yk + yk yl .
N πk
2 πk,l πk πl
k=1 k=1 l=1
k=l
Bei festem Stichprobenumfang n sollte folgender erwartungstreuer Schätzer
verwendet werden:

1

n n
1 yl 2
VarY G Ȳ H T = 2 · − .
N 2 πk,l πk πl
k=1 l=1
k=l
Die Varianzberechnung werden wir später in einigen Spezialfällen nutzen. Wir

zeigen
im Folgenden, wie sich die bereits im 2. Kapitel
hergeleitete Formel für
Var Ȳ E S als Spezialfall der Formel von Var
Ȳ H T ergibt.
Herleitung: Für die einfache Zufallsstichprobe gilt πi = n/N , wie in Abschn. 2.5 hergeleitet.
Außerdem ist

N −2
n−2 n (n − 1)
πi, j = = .
N N (N − 1)
n
Die letzte
−2 Gleichung folgt, da die Anzahl der Stichproben, die die Elemente i und j enthal-
ten, Nn−2 ist, da die anderen n − 2 Elemente aus den übrigen N − 2 Elementen beliebig zu
ziehen sind. Damit ergibt sich die Varianzformel (4.3) zu
⎧ ⎫
1 ⎨
N − n N 2 N − n 1

⎬
N N N

Var Ȳ H T = 2 Yi − Yi Y j
N ⎩ N n N −1 n ⎭
i=1 i=1 j=1
i= j
⎧ 2 ⎫
N
1 ⎨N −n 2 ⎬
N N
i=1 Yi
2
N −n i=1 Yi N −n 1 i=1 Yi
= − +
n⎩ N N N −1 N N N −1 N ⎭
1 N −n 2
= S .
n N −1

4.2 Größenproportionale Stichprobe

Wie wir bei der Betrachtung der Varianz des Horvitz-Thompson-Schätzers gese-
hen haben, sind unterschiedliche Auswahlwahrscheinlichkeiten insbesondere dann
von Vorteil, wenn die Auswahlwahrscheinlichkeiten πi proportional zu Yi sind. Wir
betrachten dazu folgendes Beispiel:
Beispiel 4.4: In einer Stichprobe sollen die Ausgaben für Marketing und Wer-
bemaßnahmen von Kreisen und kreisfreien Städten eines Landes erhoben wer-
den. Ziel ist es, den mittleren Marketing-Etat pro Kreis (bzw. Stadt) zu schätzen.
Daraus lässt sich dann der Gesamt-Etat des Landes für Marketing-Maßnahmen
hochrechnen. Ein mögliches Vorgehen wäre n Kreise zufällig auszuwählen und
nach ihrem Marketing-Etat zu befragen. Bei einer einfachen Zufallsstichprobe
kann es dabei rein zufällig passieren, dass hauptsächlich kleine, bevölkerungs-
schwache Kreise gezogen werden, deren Etat generell kleiner ist als der von
bevölkerungsreichen Städten. Es ist jedoch einleuchtend, dass große Städte be-
züglich des Marketing-Etats bedeutender, d.h. informativer sind als kleine Kreise.
Daher scheint es sinnvoll, die größeren Städte mit größerer Wahrscheinlichkeit zu
ziehen.
Betrachten wir das obige Beispiel genauer. Der intuitive Grund für die höhere
Bedeutung gewisser Städte bzw. Kreise liegt in ihrer Größe. Diese kann als Hilfs-
4.2 Größenproportionale Stichprobe 105
merkmal oder auch Sekundärinformation angesehen werden, welche für die Grund-
gesamtheit als bekannt vorausgesetzt wird. Die Stichprobenziehung wird nun so
durchgeführt, dass die einzelnen Auswahlwahrscheinlichkeiten proportional zur
Größe der Sekundärinformation sind. Wir sprechen vom Design der größenpro-
portionalen Stichprobe, die wir nach der englischen Bezeichnung („probabilities
proportional to size“) PPS-Stichprobe nennen.
Im vorigen Abschnitt haben wir gesehen, dass der Horvitz-Thompson-Schätzer
die Varianz 0 besitzt, falls die Auswahlwahrscheinlichkeiten proportional zu Y sind.
Vor diesem Hintergrund ist die PPS-Stichprobe sinnvoll und verspricht eine kleine
Varianz des resultierenden Schätzers, wenn die Sekundärinformation proportional
zur Primärinformation ist. Es ist im oben genannten Beispiel zu erwarten, dass der
Marketing-Etat für größere Städte größer ist als der für kleine Städte. Daher kann
die PPS-Stichprobe als Approximation der idealen Horvitz-Thompson-Stichprobe
angesehen werden. Allgemein benötigt man also ein Hilfsmerkmal, im Folgenden
mit Z bezeichnet, das möglichst proportional zum Zielmerkmal Y ist. Die Auswahl-
wahrscheinlichkeit soll proportional zu Z sein.
Bevor wir die Frage diskutieren, wie das PPS-Design realisiert werden kann,
wollen wir uns der Schätzung zuwenden. Wir gehen also von einer PPS-Stichprobe
vom Umfang n aus und verwenden das Hilfsmerkmal Z. Die zu Z proportionalen
Auswahlwahrscheinlichkeiten ergeben sich dann zu
Zi
πi = n N . (4.7)
j=1 Zj
NDies ergibt sich direkt aus der Forderung der Proportionalität und der Eigenschaft
j=1 π j = n. Die Mittelwertschätzung erfolgt nun durch
N
1
yk Zj 1
1
yk
n n n
yk
Ȳ P P S =
j=1
Ȳ H T = = = Z̄ .
N πk N n zk n zk
k=1 k=1 k=1
Im obigen Beispiel hat der PPS-Schätzer folgende Interpretation: Hier sind die yk
die Gesamtausgaben für Marketingmaßnahmen eines Kreises bzw. einer Stadt und
z k ist die Einwohnerzahl. Damit entspricht der Term n1 nk=1 zykk einer Schätzung
der durchschnittlichen Pro-Kopf-Ausgaben
N für Marketing. Wenn man diese mit der
Gesamteinwohnerzahl i=1 Z i multipliziert und durch die Anzahl der Kreise und
Städte N dividiert, ergibt sich eine plausible Schätzung für den gesuchten durch-
schnittlichen Marketing-Etat der Kreise bzw. Städte.
Wir wollen den Schätzer Ȳ P P S kurz mit dem Schätzer der einfachen Zufalls-
stichprobe vergleichen, d.h. mit
n

Ȳ E S = yk .
n
k=1
Für die Varianz des Schätzers ist jeweils die Streuung der Werte in der Summe
entscheidend. Hier zeigen sich die Vorteile des PPS-Schätzers. Falls die Streuung
der Yi größer ist als die der Yi /Z i , so hat der PPS-Schätzer eine kleinere Varianz.
Dies ist erfüllt, wenn Z i proportional zu Yi ist. In dem obigen Beispiel ist dies
sicherlich der Fall, da die Pro-Kopf-Ausgaben in der Regel eine geringere Streu-
ung aufweisen als die absoluten Gesamtausgaben für Marketingmaßnahmen. Diese
Überlegung kann generell als eine Art Richtlinie angesehen werden, ob eine PPS-
Stichprobe im Vergleich zu einer einfachen Zufallsstichprobe lohnenswert ist.
Wenn auch das Ziehen einer PPS-Stichprobe am häufigsten mit dem Hilfsmerk-
mal „Größe“ erfolgt, lässt sich dieses Design mit beliebigen Hilfsmerkmalen durch-
führen. Voraussetzung ist dabei jedoch, dass das Hilfsmerkmal nur positive Werte
annimmt. Da der Stichprobenumfang n bei dem PPS-Design fest vorgegeben ist, er-
folgt die Schätzung der Varianz mit Hilfe des Ansatzes von Yates und Grundy (siehe
Formel (4.6)). Allerdings ist es hier notwendig, die Auswahlwahrscheinlichkeiten
zweiter Ordnung πi, j zu kennen. Diese sind von der Ziehungsstrategie abhängig,
die wir im Folgenden diskutieren wollen.
Das Design der größenproportionalen Stichprobe
Gegeben sei ein Hilfsmerkmal Z , dessen Werte in der Population

bekannt und positiv sind. Ein Design mit festem Stichprobenumfang n
und Auswahlwahrscheinlichkeiten
Zi
πi = n N
j=1 Zj
heißt PPS-Design („probabilities proportional to size“).

Dabei erfüllen die Z i die Eigenschaft
N
n Zi < Z j.
j=1
Die unverzerrte Mittelwertschätzung lautet

N
j=1 Z j 1

n
yk

Ȳ P P S = .
N n zk
k=1
Die Varianz kann erwartungstreu geschätzt werden durch

1 1

n n
yl 2
VarY G Ȳ H T = 2 · − .
N 2 πk,l πk πl
k=1 l=1
k=l
4.3 Praktische Umsetzung der PPS-Stichprobe 107
4.3 Praktische Umsetzung der PPS-Stichprobe

Die Aufgabe, eine PPS-Stichprobe, d.h. eine Stichprobe mit festem Stichprobenum-
fang und vorgegebenen Inklusionswahrscheinlichkeiten πi , zu ziehen, ist nicht ganz
einfach zu lösen. Hinzu kommt, dass bei der Berechnung der Varianz des Horvitz-
Thompson-Schätzers die Auswahlwahrscheinlichkeiten zweiter Ordnung πi, j benö-
tigt werden.
Dieses Kapitel beschäftigt sich eingehender mit numerischen Verfahren, die eine
praktische Umsetzung einer PPS-Stichprobe ermöglichen. Der eher praktisch orien-
tierte Leser mag dieses Kapitel überspringen, wenngleich eine Grundkenntnis des
vorgestellten Materials zur numerischen, praktischen Anwendung nötig ist.
Eine Ziehung nach dem PPS-Design sollte idealerweise folgenden Anforderun-
gen genügen:
1. Der Stichprobenumfang n sollte fest vorgegeben sein.
2. Die Auswahlwahrscheinlichkeiten πi sollten möglichst exakt proportional zur
Hilfsgröße Z i sein.
3. Die Auswahlwahrscheinlichkeiten zweiter Ordnung πi, j sollten für alle i, j grö-
ßer als Null sein. Weiter sollte πi, j < πi π j gelten. Dies stellt sicher, dass die
Schätzung der Varianz nach Yates und Grundy immer positive Werte annimmt.
4. Das Verfahren sollte relativ einfach realisierbar sein und die πi, j sollten ohne zu
hohen Aufwand berechenbar sein.
Es stellt sich heraus, dass es sehr schwierig ist, all diesen Punkten gerecht zu
werden. In einem Artikel von Brewer und Hanif (1983) werden 60 verschiedene
Methoden der Ziehung diskutiert. Eine aktuelle Übersicht ist in dem Buch von Tillé
(2006) zu finden. Wir wollen hier fünf Verfahren vorstellen. Dabei beginnen wir mit
der Sampford-Methode nach Sampford (1967) und dem sogenannten Pareto-Ver-
fahren nach Bondesson, Traat, und Lundqvist (2006). In der Praxis finden weite-
re alternative Algorithmen Anwendung. Wir beschränken uns hierbei auf die Me-
thoden von Tillé (2006), Midzuno (1952) und Madow (1949) (siehe auch Hartley
1966), die im nachfolgenden Kapitel in ihrer Implementierung in R benutzt und
nachfolgend kurz skizziert werden.
Bevor wir aber auf diese komplexen Verfahren näher eingehen, diskutie-
ren wir zur Illustration der Problematik einen einfachen Ansatz. Wir beginnen
mit dem Stichprobenumfang n = 1. Dabei sind die Auswahlwahrscheinlich-
keiten πi = n NZ i . Dieses Design kann realisiert werden, indem wir eine gleich-
j=1 Zj
verteilte Zufallszahl aus dem Intervall [0; 1] ziehen. Dabei zerlegen
wir das Intervall
[0; 1] in N Abschnitte, wobei der i-te Abschnitt die Länge Z i / Nj=1 Z j hat (siehe
Abb. 4.1). Nun wird das Element i gezogen, falls die Zufallszahl im i-ten Abschnitt
liegt.
Wir betrachten zunächst eine sequentielle Ziehung. Im ersten Schritt werden die
Ein-Zug-Auswahlwahrscheinlichkeiten pi = NZ i gewählt. Die Auswahl-
j=1 Zj
wahrscheinlichkeiten für den zweiten Schritt werden dann in Abhängigkeit von der
ersten Ziehung gewählt. Eine Möglichkeit besteht darin, die Auswahlwahrschein-
2 10 5 2 1
20 20 20 20 20
0 1
Abb. 4.1 Ziehen einer PPS-Stichprobe vom Umfang n = 1 aus einer Grundgesamtheit mit N = 5
Elementen mit den Ausprägungen Z 1 = 2, Z 2 = 10, Z 3 = 5, Z 4 = 2 und Z 5 = 1
lichkeiten proportional zu denen im ersten Schritt zu wählen:

0 für i = j
pi|(n=2)
j := pi
für i = j .
1− p j
Dabei ist pi|(n=2)

j die Wahrscheinlichkeit für die Ziehung des i-ten Elementes im
zweiten Zug, wenn Element j im ersten Zug gezogen wurde. Es ergeben sich die
(n=2)
Auswahlwahrscheinlichkeiten πi für eine Stichprobe vom Umfang n = 2:
πi(n=2) = P(i wird im ersten oder zweiten Zug gezogen)

= P(i im ersten Zug) + P(i im zweiten Zug)

N
= pi + P(i im zweiten, j im ersten Zug)
j=1
j=i

N
p j pi
= pi + .
(1 − p j )
j=1
j=i
Der Index gibt dabei die gewählte Größe der Stichprobe an, hier ist n = 2. In
analoger Form können nun die Auswahlwahrscheinlichkeiten für größere Stich-
proben berechnet werden. Für eine Stichprobe vom Umfang n = 3 ergibt sich
beispielsweise
⎛ ⎞
(n=3)

N
pj
N
p j pk
πi = pi ⎝1 + + ⎠.
1 − pj 1 − p j − pk
j=1 j=1 k=1
j=i j=k=i
(n)
Es zeigt sich, dass πi sich auf recht komplexe Weise aus pi ergibt. Es gi-
(n)
lt im Allgemeinen nicht πi = npi , was die eigentliche Vorgabe wäre. Somit ist die
Berechnung von πi bei gegebenem pi numerisch komplex. Fordert man andererseits
an die Stichprobe gewisse Auswahlwahrscheinlichkeiten πi , so lässt sich die Ein-
Zug-Auswahlwahrscheinlichkeit pi daraus nur für kleine Populationen analytisch
herleiten, indem obige Berechnungsvorschriften invertiert werden.
4.3.1 Sampford-Methode
Eine Alternative zu der oben angesprochenen nicht erfolgreichen Strategie, sukzes-
sive die Ein-Zug-Auswahlwahrscheinlichkeiten zu ändern, ist die sogenannte Ver-
werfungsstichprobe. Im einfachsten Fall ziehen wir eine Stichprobe vom Umfang
n mit Zurücklegen und den Ein-Zug-Auswahlwahrscheinlichkeiten pi . Sind alle n
Elemente der Stichprobe verschieden, so wird die Stichprobe akzeptiert. Ansonsten
wird sie verworfen und es wird eine neue Stichprobe gezogen. Dieses Vorgehen wird
so lange wiederholt, bis die erste Stichprobe akzeptiert wird. Es stellt sich heraus,
dass für die Auswahlwahrscheinlichkeiten (insbesondere bei großen Grundgesamt-
heiten) zwar approximativ πi ≈ npi gilt, dass diese Beziehung aber nicht exakt ist.
Eine geringfügige Veränderung dieser Strategie, die exakt zu πi = npi führt, wurde
von Sampford (1967) vorgeschlagen. Die Sampford-Methode ist insofern attrak-
tiv, als dass sie die Berechnung der Auswahlwahrscheinlichkeiten zweiter Ordnung
πi, j erlaubt. Die numerische Umsetzung dazu wird in Abschn. 4.7 vorgestellt. Die
Idee der Sampford-Methode ist es, das erste Element der Stichprobe mit der Ein-
Zug-Auswahlwahrscheinlichkeit pi = πi /n zu ziehen. Die verbleibenden n − 1
Elemente der Stichprobe werden nun als Verwerfungsstichprobe gezogen, wobei
jedes Element die Ein-Zug-Auswahlwahrscheinlichkeit
πi /(1 − πi )
p̃i = (4.8)

N
π j /(1 − π j )
j=1
erhält.
Beispiel 4.5: Wir verfolgen das Zahlenbeispiel aus Beispiel 4.3 weiter, das heißt
wir betrachten die Population
Y1 = 10, Y2 = 20, Y3 = 80, Y4 = 90,
aus der eine PPS-Stichprobe vom Umfang n = 2 gezogen werden soll. Die Aus-
wahlwahrscheinlichkeiten sollen dabei proportional sein zu
Z 1 = 13, Z 2 = 13, Z 3 = 13, Z 4 = 21,
N
was den Auswahlwahrscheinlichkeiten πi = n Z i / j=1 Z j des Beispiels ent-
spricht, nämlich
13 13 13 21
π1 = 2 ∗ , π2 = 2 ∗ , π3 = 2 ∗ , π4 = 2 ∗ .
60 60 60 60
Im ersten Zug werden demnach die Elemente mit den Ein-Zug-Auswahlwahr-
scheinlichkeiten pi = πi /2 gezogen. Die Ein-Zug-Auswahlwahrscheinlichkeiten
für den zweiten Zug ergeben sich durch (4.8) zu
p̃1 = 0, 165, p̃2 = 0, 165, p̃3 = 0, 165, p̃4 = 0, 505.

Sampford-Methode zur Ziehung einer PPS-Stichprobe
N
Gegeben seien die Auswahlwahrscheinlichkeiten πi mit i=1 πi = n.
Eine Stichprobe s vom Umfang n kann dann wie folgt gezogen werden:
Im ersten Schritt wird ein Element mit der Ein-Zug-

Auswahlwahrscheinlichkeit pi = πi / n gezogen.
In den weiteren (n − 1) Schritten werden aus allen Elementen

mit Zurücklegen (n − 1) Elemente gezogen.
Die Ein-Zug-Auswahlwahrscheinlichkeiten sind dabei
πi
1 − πi
p̃i = .

N
πj
(1 − π j )
j=1
Falls die n gezogenen Elemente nicht paarweise verschieden sind,

wird die Stichprobe verworfen und es wird wieder mit dem
ersten Schritt begonnen.
Für die Auswahlwahrscheinlichkeiten zweiter Ordnung gilt:
pj

n
pi 1
πi, j = K · · t − πi − π j Ln−t (i j) t−2 ,
1 − πi 1 − π j n
t=2
mit

1 πl /n
Lm := ,
1 − πl
s|s hat die Länge m l∈s

1 πl / n
Lm (i j) := ,
1 − πl
s|s hat die Länge m und enthält nicht i,j l∈s
−1

n
K := t · Ln−t / n t
.
t=1
Es gilt die Beziehung πi, j < πi π j für alle i, j.

Dies sichert die Existenz einer positiven Varianzschätzung.
Zu beachten ist, dass die Summierung jeweils
über alle entsprechenden Stichproben s erfolgt.
Herleitung: Wir zeigen, dass die Sampford-Methode tatsächlich die geforderten Auswahl-
wahrscheinlichkeiten liefert. Dazu beginnen wir mit dem Nachweis für den Fall n = 2. Die
Wahrscheinlichkeit, dass das Element i in der Stichprobe s ist, wird wie folgt berechnet:
P(i wird gezogen und s wird nicht abgelehnt)
P(i ∈ s) = . (4.9)
P(s wird nicht abgelehnt)
Dabei wird i im ersten oder im zweiten Zug gezogen, was es erlaubt (4.9) wie folgt zu
vereinfachen
⎛ ⎞
⎜ N ⎟
⎜
π πj
πj πi ⎟
⎜ i ⎟
P(i ∈ s) = ⎜ · · C2 + · · C2 ⎟ · C1 ,
⎜ n 1 − πj n 1 − πi ⎟
⎝j =1 j =i ⎠
j = i
mit ⎛ ⎞−1

N
πj
C1 = (P(s wird nicht abgelehnt)) −1
, C2 = ⎝ ⎠ .
1 − πj
j=1
N
Wir setzen nun C = C1 · C 2 /n und nutzen j=1 π j = 2 aus. Damit gilt
⎛ ⎞

πj
π
P(i ∈ s) = C · ⎝ πi · + πj ·
i ⎠
1 − πj 1 − πi
j=i j=i
⎛ ⎞

πj πi
⎠
= C · ⎝π i · + πj
1 − πj 1 − πi
j=i j=i
⎛ ⎞

πj πi
= C · ⎝πi · + · (2 − πi )⎠
1 − πj 1 − πi
j=i
⎛ ⎞

N
πj πi πi
= C · ⎝πi · − · πi + (2 − πi )⎠
1 − πj 1 − πi 1 − πi
j=1
⎛ ⎛ ⎞⎞

N
πj
= C · ⎝πi · ⎝ + 2⎠⎠ .
1 − πj
j=1
Wir erhalten somit

⎛ ⎞

N
πi
P(i ∈ s) = πi · C
mit C
= C ⎝ + 2⎠ .
1 − πj
j=1
Die Wahrscheinlichkeit, dass Individuum i in der Stichprobe ist, ist somit proportional zu πi
und aus πi = n folgt unmittelbar C
= 1 und damit P(i ∈ s) = πi .
Die Berechnung im allgemeinen Fall ist sehr viel komplizierter. Wir wollen aber dem ma-
thematisch interessierten Leser den Beweis, der von Hajek (1981) brillant dargestellt wird, nicht
vorenthalten.
Wir bezeichnen die Elemente, die nicht in der Stichprobe sind, mit s c und benutzen die
Identität
N
(1 − πi ) = πi , die unmittelbar aus πi = n folgt.
i∈s i∈s c i=1
Um die Wahrscheinlichkeit einer Stichprobe zu bestimmen, müssen wir nach dem gezoge-
nen ersten Element unterscheiden:
1 πj
P(s, erstes Element von s ist k) = C · πk ·
1 − πj
j ∈s
j = k
1 πj
= C · (1 − πk ) · .
1 − πj
j∈s
Die Konstante C ergibt sich aus der Wahrscheinlichkeit, eine gültige Stichprobe zu erhalten.
Damit ergibt sich für die ungeordnete Stichprobe s

1 πj
P(s) = C · (1 − πk )
1 − πj
k∈s j∈s

1 πj
=C· πk · .
1 − πj
k∈s c j∈s
Nun betrachten wir Stichproben, die ein festes Element i enthalten. Wir bezeichnen die
Stichprobe, bei der wir das Element i durch das Element k ∈ s c ersetzen mit sik . Es gilt dann:
⎛ ⎞

1 πj
P(s) = C · ·πk · ⎝ ⎠ · πi · 1 − πk
c
1 − πj 1 − πi πk
k∈s j∈sik
πi
1 πj
=C· (1 − πk ) · .
1 − πi c
1 − πj
k∈s j∈sik
Nun erhalten wir die Wahrscheinlichkeit für i ∈ s als Summe über die Wahrscheinlichkeiten
von Stichproben s, die i enthalten.

P(i ∈ s) = P(s)
s,i∈s
πi

1 πj
= C· (1 − πk )
1 − πi 1 − πj
s,i∈s k∈s c j∈sik
πi

1 πj
(∗ ) = C · (1 − πk )
1 − πi 1 − πj
r,i∈r k∈r j∈r
πi
= · P(r )
1 − πi
r,i∈r
πi
⇒ P(i ∈ s) = (1 − P(i ∈ s))
1 − πi
⇒ P(i ∈ s) = πi .
Die Identität (∗ ) folgt aus der Überlegung, dass die Summierung aller Einheiten, die nicht in
den Stichproben mit i ∈ s enthalten sind, auch über alle Einheiten von Stichproben, die i nicht
enthalten, erfolgen kann. Die erste Summe besteht aus

N −1
· (N − n)
n−1
Summanden, die zweite Summe enthält (N − 1) · n, woraus sich jeweils die identische Anzahl
(N −1)
(N −1−n)(n−1) ergibt.
Die Berechnungen zu den Auswahlwahrscheinlichkeiten zweiter Ordnung sind komplizier-

ter. Eine Herleitung findet sich bei Sampford (1967) oder Hajek (1981).
Die Sampford-Methode ist in verschiedenen Programmpaketen realisiert, führt

aber für große Auswahlsätze zu langen Rechenzeiten, da viele Stichproben verwor-
fen werden, weil die Wahrscheinlichkeit mindestens ein Element doppelt zu ziehen
groß ist. Daher wurden verschiedene Methoden vorgeschlagen, die eine geringe-
re Rechenzeit benötigen und trotzdem zum gleichen Design wie die Sampford-
Methode führen.
4.3.2 Pareto-Sampling
Von Rosén (1997) stammt das sogenannte Pareto-Sampling. Dazu zieht man für die
ganze Grundgesamtheit gleichverteilte Zufallszahlen Ui , i = 1, . . . , N und definiert
Ui / (1 − Ui )
Qi = .
πi / (1 − πi )
Anschließend werden die Elemente mit den n kleinsten Werten von Q i gezo-
gen. Diese ebenso einfache wie originelle Methode liefert approximativ eine Zie-
hung mit Auswahlwahrscheinlichkeiten πi . Die Idee, die hinter dieser Methode
steht, ist, dass die Division durch kleine Wahrscheinlichkeiten πi zu hohen Wer-
ten von Q i führt und damit die Auswahlwahrscheinlichkeiten reduziert. Kürzlich
wurde diese Methode so modifiziert, dass sie genau der Sampford-Methode ent-
spricht, aber sehr viel weniger Rechenzeit als diese benötigt, siehe Bondesson et al.
(2006).
4.3.3 Eliminierungsmethode von Tillé

Für die Situation von mittelgroßen Populationen und relativ großen Auswahlsätzen
ist diese Methode besonders geeignet. Die Idee besteht darin, statt eine Stichprobe
vom Umfang n aus einer Population zu ziehen, sukzessive N − n Elemente aus
einer Population zu eliminieren. Die verbleibende Menge mit n Elementen bildet
abschließend die gesuchte Stichprobe. Das i-te Individuum wird dabei im k-ten
Schritt aus der Population mit einer Wahrscheinlichkeit von rki eliminiert (unter
der Annahme, dass das Individuum noch in der Population ist).
Der Algorithmus durchläuft die Schritte k = 1, . . . , N − n. Die Wahrscheinlich-
keit rki ist so definiert, dass für die Ziehungswahrscheinlichkeiten gilt:
−n
N1
πi = (1 − rki ).
k=1
Der Algorithmus ist einfach und bedarf N − n Eliminierungsschritten, um die

Stichprobe zu erhalten. Er erlaubt weiter die Berechnung von Auswahlwahrschein-
lichkeiten beliebiger Ordnung, also insbesondere zweiter Ordnung, was die Berech-
nung von Varianzen ermöglicht. Details finden sich in Tillé (2006).
4.3.4 Splitting-Methoden
Die zu Grunde liegende Idee dieser Methoden ist, den Ziehungsvorgang zu zerlegen
(„Splitting“). Seien zwei Ziehungsstrategien gegeben mit Auswahlwahrscheinlich-
keiten π (1) und π (2) . Wir führen unsere Ziehung nun so durch, dass im ersten Schritt
gelost wird, welche der beiden Strategien zum Einsatz kommt. Die Wahrscheinlich-
keit für Strategie (1) sei dazu λ und für Strategie (2) entsprechend 1 − λ. Insgesamt
ergeben sich dann die Auswahlwahrscheinlichkeiten durch
πi = λπi(1) + (1 − λ)πi(2) . (4.10)
Für die beiden Ziehungsstrategien π (1) und π (2) muss gelten
(1) (2)

N
(1)

N
(2)
0 ≤ πi ≤ 1, 0 ≤ πi ≤ 1 und πi = πi = n.
i=1 i=1
(1) (2)
Das bedeutet, dass sowohl πi als auch πi Auswahlwahrscheinlichkeiten dar-
stellen. Die Methode ist so konstruiert, dass Individuum i mit Wahrscheinlichkeit λ
(1)
die Auswahlwahrscheinlichkeit πi und mit Wahrscheinlichkeit (1 − λ) die Aus-
wahlwahrscheinlichkeit πi(2) hat, was mit (4.10) die resultierende Auswahlwahr-
scheinlichkeit von πi ergibt. Ziel dieser Zerlegung ist es nun, dass aus den einzel-
nen πi(1) und πi(2) leichter eine Stichprobe zu ziehen ist. Dies ist möglich, wenn
(1)
beispielsweise πi = n/N ist, was einer einfachen Zufallsstichprobe entspricht,
die natürlich leicht realisiert werden kann.
(1)
Deville und Tillé (1998) zeigen, dass es möglich ist, πi = Nn zu wählen.
Gleichzeitig kann Strategie (2) so gewählt werden, dass für mindestens ein Element
(2) (2)
der Grundgesamtheit πi = 0 oder πi = 1 gilt. Damit ist die Übertragung des
Problems auf die Auswahl einer Stichprobe aus einer um 1 reduzierten Population
gelungen. Das Verfahren wird nun iteriert, d.h. Strategie (2) wird wieder aufgeteilt in
eine einfache Zufallsstichprobe und in eine Ziehungsstrategie mit einer Population
vom Umfang N − 2.
Eine andere Variante des Splittings wurde von Midzuno (1952) vorgeschlagen.
Hier wird eine Aufteilung in N mögliche Ziehungsstrategien vorgenommen. Im
ersten Schritt wird gelost, welche der N Strategien zum Einsatz kommt. Hierbei
kommt Strategie j mit Wahrscheinlichkeit
N −1 n−1
λj = πj · −
N −n N −n
zum Einsatz. Die Strategie j besitzt folgende Auswahlwahrscheinlichkeiten:

( j) 1 für i = j
πi = .
n−1
N −1 für i = j.
Die Strategie j beinhaltet, dass das Element j gezogen wird und eine einfache
Zufallsstichprobe vom Umfang n − 1 aus den übrigen N − 1 Elementen gezo-
gen wird. Damit werden auch entsprechende Auswahlwahrscheinlichkeiten zweiter
Ordnung hergeleitet, die sich ergeben zu

n−1 n
πk,l = πk + πl + .
N −2 N −1
Als Voraussetzungen für die einfache Anwendung benötigt man πi > (n − 1)/
(N − 1). Ist dies nicht erfüllt, so kann eine Verallgemeinerung des Verfahrens ange-
wendet werden. Details hierzu finden sich in Deville und Tillé (1998).
4.3.5 Methode von Madow

Die nachfolgende Methode ist von Madow (1949) vorgeschlagen und anschaulich
in Hartley (1966) demonstriert. Wir skizzieren hier die zu Grunde liegende Idee. Es
soll eine Stichprobe mit Auswahlwahrscheinlichkeiten πi , i = 1, . . . , N gezogen
werden, wobei die Auswahlwahrscheinlichkeiten proportional zu einer Sekundärin-
formation Z i sind. Wir nehmen weiter an, dass alle Z i ganzzahlig sind, was natürlich
für jede in der Praxis erhobene Größe erreicht werden kann, indem die Z i mit einem
hinreichend großen Faktor multipliziert werden. Wir berechnen nun die kumulierte
j
Sekundärinformation W j = i=1 Z i , d.h. für eine beliebige Ordnung der Elemente
N von Z i sukzessive aufsummiert. Damit gilt ins-
der Population werden die Werte
besondere W N = N Z̄ = i=1 Z i . Wir nehmen an, dass eine Stichprobe vom
Umfang n gesucht ist und definieren d = W N /n. Wir gehen weiter davon aus, dass
d ganzzahlig ist, bzw. wenn dies nicht der Fall ist, multiplizieren wir die Größen
Z i so, dass d ganzzahlig wird. Man wählt eine ganzzahlige Zufallszahl r zwischen
1 und d, die die Stichprobe definiert. Das heißt konkret, es verbleiben d mögliche
Stichproben, alle mit gleichen Wahrscheinlichkeiten. Dabei wird als k-tes Element
der Stichprobe (k = 1, . . . , n) das i-te Element der Population ausgewählt, wenn
für das i-te Element gilt
Wi−1 < r + (k − 1)d ≤ Wi ,
wobei W0 = 0 gesetzt wird. Das Verfahren ist numerisch leicht zu realisieren und
liefert wie in Madow (1949) gezeigt eine Stichprobe mit den gewünschten Auswahl-
wahrscheinlichkeiten πi . Voraussetzung zur Anwendbarkeit ist jedoch, dass Z i ≤ d

für alle i = 1, . . . , N . Das heißt, insbesondere wenn d groß ist im Vergleich zu
Z i , so ist das Verfahren gut anwendbar. Letzteres gilt z.B. wenn der Auswahlsatz
n/N nicht zu groß ist. Die Auswahlwahrscheinlichkeiten können nun errechnet
werden, indem alle d möglichen Stichproben betrachtet werden und notiert wird,
mit welchen Wahrscheinlichkeiten die Elemente i und j gezogen werden. Das ist
etwas aufwendiger, aber für ein hinreichend kleines d realisierbar. Mehr Details
finden sich in Hartley (1966). Ein Problem dieser Methode ist allerdings, dass die
Auswahlwahrscheinlichkeiten zweiter Ordnung nicht alle von 0 verschieden sind.
Daher sind für die Varianzschätzung nur Methoden geeignet, wie sie im folgenden
Abschnitt beschrieben werden.
4.4 Die Hansen-Hurwitz-Strategie

Um die komplexen Formeln des Horvitz-Thompson-Schätzers zu umgehen, be-
trachten wir in diesem Abschnitt eine approximative Lösung. Wir haben in
Abschn. 2.8 bereits gesehen, dass der Unterschied zwischen Ziehen mit und oh-
ne Zurücklegen gering ist, wenn der Auswahlsatz n/N klein und die Population
N genügend groß ist. In diesem Fall konnte man den Korrekturfaktor (N − n)/N
für endliche Populationen vernachlässigen. Ähnliche Aussagen lassen sich auf den
Ziehungsprozess mit ungleichen Auswahlwahrscheinlichkeiten übertragen, was die
Berechnung des Varianzschätzers erheblich vereinfacht. Nehmen wir dazu an, wir
ziehen eine Stichprobe vom Umfang n aus einer Population vom Umfang N mit Zu-
rücklegen. Dabei hat das Individuum i die Ein-Zug-Auswahlwahrscheinlichkeit
N
pi , i = 1, . . . , N , mit i=1 pi = 1. Man behalte im Gedächtnis, dass beim Zie-
hen mit Zurücklegen ein Individuum mehrmals in die Stichprobe gelangen kann.
Die Wahrscheinlichkeit, dass es mindestens einmal in der Stichprobe vertreten ist,
beträgt 1 − (1 − pi )n . Der Horvitz-Thompson-Schätzer ist bei einem derartigen
Stichprobendesign nicht anwendbar, da er einen Ziehungsprozess ohne Zurücklegen
voraussetzt. Die entsprechende Korrektur beim Ziehen mit Zurücklegen ergibt sich
durch den Hansen-Hurwitz-Schätzer
1
yk
n

Ȳ H H = .
Nn pk
k=1
Dieser Schätzer ist erwartungstreu. Der Vorteil beim Hansen-Hurwitz-Schätzer

im Vergleich zum Horvitz-Thompson-Schätzer ist, dass die Auswahlwahrschein-
lichkeiten und damit die Varianzformeln ohne Schwierigkeiten berechnet werden
können. Basierend auf der Tatsache, dass bei großen Populationen und kleinem
Auswahlsatz n/N die Unterschiede zwischen Ziehen mit und ohne Zurücklegen
gering sind, bietet es sich in diesem Falle an, den Hansen-Hurwitz-Schätzer als
Approximation für den Horvitz-Thompson-Schätzer zu benutzen.
4.4 Die Hansen-Hurwitz-Strategie 117
Mittelwertschätzer bei beliebigen Auswahlwahrscheinlichkeiten

und Ziehen mit Zurücklegen
(Hansen-Hurwitz-Schätzer)
Sei pi die Ein-Zug-Auswahlwahrscheinlichkeit für das i-te Individuum

der Population. Die Individuen werden mit Zurücklegen gezogen.
Somit ergibt sich als unverzerrter Schätzer für den Mittelwert Ȳ

der Population
1
yk
n

Ȳ H H = .
Nn pk
k=1

n 2
1 yk
Var Ȳ H H = −
Ȳ H H .
n(n − 1) N pk
k=1
Herleitung: Der Erwartungswert des Hansen-Hurwitz-Schätzers kann wie folgt hergeleitet

werden. Durch den Ziehungsprozess mit Zurücklegen ist E(yk / pk ) = E(yl / pl ) für k, l =
1, . . . , n, und es ergibt sich

1
Yi
N
1 yk
E Ȳ H H = E = pi = Ȳ .
N pk N pi
i=1
Für die Varianz gilt wegen der Unabhängigkeit der Züge, die sich gemäß dem Ziehen mit
Zurücklegen ergibt

1 1 yk
Var Ȳ H H = 2 Var
N n pk
2
1 1 yk
= 2 E − N Ȳ
N n pk
N 2
1
Yi
= − Ȳ pi .
n pi N
i=1
Somit verbleibt zu zeigen, dass

n

2
1 yk
Var Ȳ H H = −
Ȳ H H
n(n − 1) N pk
k=1
ein erwartungstreuer Schätzer für die Varianz ist. Wir definieren dazu das Hilfsmerkmal V mit

n
yk
vk = Nypk k und v̄ = N1n . Damit ist aber
pk
k=1

1
n
E Var Ȳ H H = E (vk − v̄)2
n(n − 1)
k=1
1
= Var(V ) = Var Ȳ H H .
n

4.5 Beispiel
Bei einer Fischereistudie in England, siehe Cotter, Course, Buckland, und Garrod
(2002), sollte die Anzahl gefangener Fische geschätzt werden. Dabei wurden Ka-
beljau, Schellfisch und Weißfisch in der Nordsee in den Jahren von 1997 bis 1998
betrachtet. Da die Gesamtzahlen nur sehr schwer zu erheben sind, wurde eine Erhe-
bung auf verschiedenen Fischerbooten durchgeführt. Die Untersuchungseinheiten
sind also die in dem jeweiligen Zeitraum eingesetzten Fischerboote.
Da sich die Boote in ihrer Kapazität und Fangstrategie stark unterscheiden, kam
eine PPS-Stichprobe zur Anwendung. Die Größe Yk sind die in einem bestimmten
Zeitraum auf dem Boot k gefangenen Fische. Nun unterscheiden sich die Boote
stark in ihrer Kapazität und ihrer Fangstrategie. Dies führt zu einer hohen Streuung
der Yk und damit wäre eine Schätzung basierend auf einer einfachen Zufallsstich-
probe der Boote nur sehr ungenau. Eine Verbesserung der Genauigkeit kann dadurch
erreicht werden, dass ein Hilfsmerkmal definiert wird, das möglichst proportional
zu den gefangenen Fischen Yk ist. Wichtig ist dabei, dass das Hilfsmerkmal vor der
Stichprobenziehung bekannt ist. Die Autoren der Studie wählten
VCU · Aufwand
Z=
durchschnittliche Dauer der Ausfahrten in Tagen
Die Einheit VCU („vessel capacity unit“) beschreibt die Kapazität der Schiffe. Der
Aufwand wurde durch die Stunden, die das Boot in den früheren Jahren unterwegs
war, gemessen. Die Dauer der Ausfahrten ist indirekt proportional, da eine kürzere
Zeitspanne mehr Ausfahrten erlaubt.
Um die Berechnung einfach zu halten, wurde hier das Ziehen der Boote mit Zu-
rücklegen und der Hansen-Hurwitz-Schätzer angewendet. Da sich die Boote erheb-
lich in ihren Fängen unterschieden, führte die PPS-Strategie hier zu einem erheb-
lichen Effizienzgewinn. Weitere Detailfragen, wie Messfehler und fehlende Werte
werden in Cotter et al. (2002) diskutiert.
4.6 Literatur
Designbasierte Verfahren beruhen auf dem Horvitz-Thompson-Theorem, welches
in seiner Form einfach und flexibel ist. Problematischer ist die konkrete Anwen-
dung des Theorems. Dies fängt beispielsweise bei der Schätzung der Varianz des
4.6 Literatur 119
Horvitz-Thompson-Schätzers an. Die einfache Form (4.4) ist zwar erwartungstreu,

liefert aber nicht notwendigerweise positive Werte. Zur Korrektur dieses Mankos
haben wir die Version von Yates und Grundy (1953) vorgestellt. Ein Vergleich der
beiden Schätzer findet sich z.B. in Cumberland und Royall (1981). Der Schätzer von
Yates und Grundy fällt dabei durch eine angenehme Tatsache auf. Sind die Auswahl-
wahrscheinlichkeiten πi proportional zu Yi , soll heißen sind das Sekundärmerkmal
Z i und die Primärinformation Yi proportional, so folgt für den Schätzer nach Yates
und Grundy gemäß (4.5), dass die Varianz den Wert 0 annimmt. Für den Schätzer
(4.4) gilt dies nicht notwendigerweise. Weitergehende Untersuchungen zum Ver-
gleich der Schätzer finden sich u.a. in Chaudhuri und Steger (2005), Rao und Singh
(1973), Lanke (1974) und Vijayan (1975). Der Varianzschätzer verlangt die Anga-
be und Kenntnis der Auswahlwahrscheinlichkeiten zweiter Ordnung. Um dies zu
umgehen, hat Jessen (1969) eine alternative Varianzbestimmung vorgeschlagen, die
sich wie folgt berechnet

N
N

Yi Yj 2
Var J Ȳ H T = W̄ − ,
πi πj
i=1 j>i
N
n − i=1 πi2
mit W̄ = .
N (N − 1)
Die entsprechende Schätzung ist erhältlich durch
1 N (N − 1)

yk
yl 2

Var J Ȳ H T = 2 W̄ − ,
N n n−1 πk πl
i∈s j∈s, j<i
wobei s die Stichprobe, sprich die Indexmenge der gezogenen Individuen ist. Dieser
Schätzer benötigt keine Auswahlwahrscheinlichkeiten zweiter Ordnung. Es zeigt
sich jedoch in Simulationsstudien (Westerheide 2006), dass der Schätzer dazu neigt,
die Varianzen zu unterschätzen, was natürlich aus statistischer Sicht kritisch ist.
Als weitere Alternative zum Horvitz-Thompson-Schätzer bietet sich der Hansen-
Hurwitz-Schätzer an. In diesem Fall setzt man pi = πi /n und wendet entsprechen-
de Varianzformeln des Hansen-Hurwitz-Schätzers an. Hierbei wird üblicherweise
die Varianz überschätzt, was aufgrund der angenommenen Ziehung mit Zurück-
legen resultiert. Ein ähnliches Phänomen hatten wir schon in Abschn. 2.5 gesehen.
Zur Umgehung der Berechnung der Auswahlwahrscheinlichkeiten zweiter Ordnung
bietet sich die Idee von Hajek (1981) an, der vorschlägt, die Auswahlwahrschein-
lichkeiten zweiter Ordnung zu approximieren durch

πi, j ≈ πi π j 1 − (1 − πi )(1 − π j )d −1 , (4.11)
N
mit d = i=1 πi (1 − πi ). Diese Approximation zeigt sich in der Praxis als durch-
aus gebrauchsfähig (siehe Berger 1998) und wird beispielsweise von statistischen
Ämtern in Schweden und Frankreich benutzt (siehe Andersson & Norberg 1994,
und Berger 2004). Neuere Ansätze zur Varianzschätzung bei Vermeidung der Be-
rechnung von Auswahlwahrscheinlichkeiten zweiter Ordnung finden sich in Berger
und Skinner (2005).
Neben der Berechnung von Auswahlwahrscheinlichkeiten zweiter Ordnung ist
der explizite Ziehungsprozess von Bedeutung. Eine aktuelle Diskussion ist im
schon erwähnten Buch von Tillé (2006) oder in Brewer (2002) zu finden. Der
Vergleich von Alternativen zielt dabei auf die Varianz des Schätzers ab, das heißt
der Ziehungsalgorithmus sollte zu einer möglichst kleinen Varianz des resultieren-
den Schätzers führen, insbesondere im Vergleich zur gängigen Sampford-Methode.
Theoretische Ergebnisse in diese Richtung finden sich zum Beispiel in Gabler
(1981) und Gabler (1984).

Wie wir in den obigen Abschnitten gesehen haben, besteht die Realisation design-
basierter Stichproben aus zwei Schritten. Zunächst muss eine entsprechende Stich-
probe mit vorgegebenen Auswahlwahrscheinlichkeiten πi gezogen werden. Die-
se Ziehung wird als PPS-Ziehung vollzogen. Hierbei ist es notwendig, die Aus-
wahlwahrscheinlichkeiten erster und zweiter Ordnung zu kennen bzw. basierend
auf dem Ziehungsverfahren zu berechnen, da diese in der Varianzberechnung des
Schätzers benötigt werden. Danach kann der Horvitz-Thompson-Schätzer berech-
net und seine Varianz geschätzt werden. Diese Zweiteilung der Umsetzung spiegelt
sich auch in diesem Abschnitt wider. Wir gehen zunächst auf die bereits in anderen
R-Paketen implementierten Möglichkeiten ein, was in den Abschn. 4.7.1 und 4.7.2
verfolgt wird. Das im Rahmen dieses Buches erstellte R-Paket samplingbook kom-
biniert diese Möglichkeiten, so dass der eher praktisch orientierte Leser direkt zu
Abschn. 4.7.3 springen sollte.
4.7.1 PPS-Auswahlwahrscheinlichkeiten
Zur Stichprobenziehung mit vorgegebenen Auswahlwahrscheinlichkeiten benötigen

wir Funktionen, die in den R-Paketen pps und sampling zur Verfügung gestellt
sind. Diese werden mit
> library(pps)
und
> library(sampling)
eingebunden. Wir wollen nun die Auswahlwahrscheinlichkeiten πi und die Aus-

wahlwahrscheinlichkeiten zweiter Ordnung πi, j berechnen.
Um die Auswahlwahrscheinlichkeiten πi nach Formel (4.7) zu berechnen, ver-

wenden wir die Funktion inclusionprobabilities(·) aus dem Paket samp-
ling.
> inclusionprobabilities(a, n)
# a vector of positive numbers

# n sample size
Diese zieht aus einem Vektor a mit positiven Zahlen eine PPS-Stichprobe der
Größe n.
Zur Veranschaulichung nehmen wir an, dass die Sekundärinformation, die zur
Stichprobenziehung gemäß dem PPS-Ansatz benutzt werden soll, in folgendem Da-
tensatz vorliegt:
> data
id z
1 1 1.8
2 2 2.0
3 3 3.2
4 4 2.9
5 5 1.5
6 6 2.0
7 7 2.2
Das heißt, zu Grunde liegt eine Population vom Umfang N = 7 mit Sekundär-
information Z , welche die Auswahlwahrscheinlichkeiten bestimmen soll. Nehmen
wir an, wir wollen eine Stichprobe vom Umfang n = 2 ziehen. Die Auswahlwahr-
scheinlichkeiten sollen dabei proportional zur Größe Z sein.
> n <- 2
> z <- data$z
> pik <- inclusionprobabilities(a=z,n=n)
> pik
[1] 0.2307692 0.2564103 0.4102564 0.3717949 0.1923077 0.2564103

[7] 0.2820513
Dies sind somit die Werte πi . Die Stichprobengröße n entspricht der Summe der
Auswahlwahrscheinlichkeiten aus pik.
Zur Berechnung der Varianz des Horvitz-Thompson Schätzers benötigen wir au-
ßerdem die Auswahlwahrscheinlichkeiten zweiter Ordnung πi, j . Diese hängen vom
verwendeten Algorithmus ab.
Für eine Auswahl basierend auf dem Sampford Algorithmus erhält man diese
durch die Funktion sampfordpi(·) im Paket pps.
> sampfordpi(sizes, n)
# sizes A vector of the sizes of the units in the population

# n The sample size
Die Funktion berechnet somit für eine Stichprobe vom Umfang n die Auswahl-
wahrscheinlichkeiten zweiter Ordnung für einen Vektor sizes, der die Hilfsgrößen
Z der einzelnen Einheiten in der Population enthält, zu denen die Auswahlwahr-
scheinlichkeiten proportional sind.
Angewendet auf unser Datenbeispiel ergibt sich mit der Methode nach Sampford:
> PI_sampford <- sampfordpi(sizes=z,n=n)

> print(PI_sampford)
[,1] [,2] [,3] [,4] [,5] [,6] [,7]

[1,] 0.23077 0.03189 0.05778 0.05055 0.02295 0.03189 0.03571
[2,] 0.03189 0.25641 0.06517 0.05704 0.02595 0.03603 0.04034
[3,] 0.05778 0.06517 0.41026 0.10217 0.04716 0.06517 0.07281
[4,] 0.05055 0.05704 0.10217 0.37179 0.04123 0.05704 0.06377
[5,] 0.02295 0.02595 0.04716 0.04123 0.19231 0.02595 0.02908
[6,] 0.03189 0.03603 0.06517 0.05704 0.02595 0.25641 0.04034
[7,] 0.03571 0.04034 0.07281 0.06377 0.02908 0.04034 0.28205
Es ergibt sich eine symmetrische Matrix, wobei auf der Diagonalen die Auswahl-
wahrscheinlichkeiten πi aufgetragen sind.
Wir betrachten als Alternative die Eliminierungsmethode von Tillé, die Midzuno
Methode und die Methode nach Madow, welche im R-Paket sampling implemen-
tiert sind.
> UPtillepi2(pik)
> UPmidzunopi2(pik)
> UPsystematicpi2(pik)
# pik vector of the first-order inclusion probabilities.
Allen drei Funktionen wird der Vektor der Auswahlwahrscheinlichkeiten erster

Ordnung, wie er weiter oben mit inclusionprobabilities(·) berechnet wurde,
übergeben.
Für unsere Beispieldaten erhält man nach der Eliminierungsmethode von Tillé
folgende Auswahlwahrscheinlichkeiten zweiter Ordnung:
> PI_tille <- UPtillepi2(pik)

> print(PI_tille)
[,1] [,2] [,3] [,4] [,5] [,6] [,7]

[1,] 0.23077 0.03139 0.05955 0.05227 0.02038 0.03139 0.03580
[2,] 0.03139 0.25641 0.06617 0.05807 0.02478 0.03580 0.04020
[3,] 0.05955 0.06617 0.41026 0.09595 0.04963 0.06617 0.07279
[4,] 0.05227 0.05807 0.09595 0.37179 0.04355 0.05807 0.06388
[5,] 0.02038 0.02478 0.04963 0.04355 0.19231 0.02478 0.02919
[6,] 0.03139 0.03580 0.06617 0.05807 0.02478 0.25641 0.04020
[7,] 0.03580 0.04020 0.07279 0.06388 0.02919 0.04020 0.28205
Die Funktion UPtillepi2(·) gibt die Auswahlwahrscheinlichkeiten erster und

zweiter Ordnung aus. Die Diagonale der Matrix, das heißt die Auswahlwahrschein-
lichkeiten πi , sind natürlich identisch zu denen, die wir mit der Sampford-Methode
erhalten haben, die Auswahlwahrscheinlichkeiten zweiter Ordnung unterscheiden
sich hingegen durch das anders gewählte Ziehungsverfahren.
Nach der Midzuno Methode erhält man:
> PI_midzuno <- UPmidzunopi2(pik)

> print(PI_midzuno)
[,1] [,2] [,3] [,4] [,5] [,6] [,7]

[1,] 0.23077 0.03077 0.06154 0.05385 0.01795 0.03077 0.03590
[2,] 0.03077 0.25641 0.06667 0.05897 0.02308 0.03590 0.04103
[3,] 0.06154 0.06667 0.41026 0.08974 0.05385 0.06667 0.07179
[4,] 0.05385 0.05897 0.08974 0.37179 0.04615 0.05897 0.06410
[5,] 0.01795 0.02308 0.05385 0.04615 0.19231 0.02308 0.02821
[6,] 0.03077 0.03590 0.06667 0.05897 0.02308 0.25641 0.04103
[7,] 0.03590 0.04103 0.07179 0.06410 0.02821 0.04103 0.28205
Hier fällt auf, dass die Matrix zu der der Eliminierungsmethode identisch ist.
Dies gilt nach Deville und Tillé (1998) allgemein.
Die Methode nach Madow liefert:
> PI_madow <- UPsystematicpi2(pik)

> print(PI_madow)
[,1] [,2] [,3] [,4] [,5] [,6] [,7]

[1,] 0.23077 0.00000 0.00000 0.23077 0.00000 0.00000 0.00000
[2,] 0.00000 0.25641 0.00000 0.03846 0.19231 0.02564 0.00000

[3,] 0.00000 0.00000 0.41026 0.00000 0.00000 0.23077 0.17949
[4,] 0.23077 0.03846 0.00000 0.37179 0.00000 0.00000 0.10256
[5,] 0.00000 0.19231 0.00000 0.00000 0.19231 0.00000 0.00000
[6,] 0.00000 0.02564 0.23077 0.00000 0.00000 0.25641 0.00000
[7,] 0.00000 0.00000 0.17949 0.10256 0.00000 0.00000 0.28205
Man beachte, dass der Ziehungsprozess der Methode nach Madow Ähnlich-
keit hat mit dem Ziehungsprozess einer systematischen Stichprobe, wie sie in Ab-
schn. 2.9 behandelt wurde. Dies spiegelt sich im Namen der R-Prozedur wider.
4.7.2 PPS-Ziehung
Im nächsten Schritt wird mit den vier vorgestellten Methoden eine Stichprobe ge-
zogen. Verfolgen wir zunächst die Sampford-Methode. Wir ziehen hier n Elemente
aus der Menge 1, . . . , N , wobei das Element i mit der Auswahlwahrscheinlichkeit
πi gezogen wird. Die Wahrscheinlichkeit πi ist dabei durch das Sekundärmerkmal
Z i bestimmt durch Formel (4.7)
Zi
πi = n .

N
Zj
j=1
Diese Stichprobe kann mit dem Befehl sampford(·) aus dem Paket pps reali-
siert werden.
> sampford(size, n)
# size A vector of the sizes of the units in the population

# n The sample size
Es werden also dieselben Argumente wie bei der Funktion sampfordpi(·) über-
geben. Basierend auf dem obigen Datensatz ergibt sich:
> set.seed(178209)
> index_sampford <- sampford(size=z,n=n)
> index_sampford
[1] 3 7
Hier wurden also zufällig Elemente 3 und 7 ausgewählt.

Die Methoden von Tillé, Midzuno und Madow liefern die Ergebnisse in etwas
anderer Form.
> UPtille(pik)
> UPmidzuno(pik)
> UPsystematic(pik)
# pik vector of prescribed inclusion probabilities.
Auch hier werden also dieselben Argumente wie bei den obigen Funktionen
übergeben. Als Ergebnis wird ein Vektor der Länge N zurückgegeben, der n
Einträge mit der Zahl 1 beinhaltet, die die zu ziehenden Individuen widerspie-
gelt, und N − n Einträge mit der Zahl 0, die die nicht ausgewählten Individuen
angibt.
Angewendet auf unser Datenbeispiel ergibt sich:
> pik <- inclusionprobabilities(a=z, n=n)

> set.seed(178209)
> index_tille <- UPtille(pik)
> print(index_tille)
[1] 1 0 1 0 0 0 0
> set.seed(178209)
> index_midzuno <- UPmidzuno(pik)
> print(index_midzuno)
[1] 0 0 1 1 0 0 0
> set.seed(178209)
> index_madow <- UPsystematic(pik)
> print(index_madow)
[1] 0 0 1 0 0 1 0
Hier werden bei Anwendung der Methode von Tillé die Individuen 1 und 3 aus-
gewählt, bei Anwendung der Methode von Midzuno die Individuen 3 und 4 und bei
Anwendung der Methode von Madow die Individuen 3 und 6.
4.7.3 PPS-Ziehung und Auswahlwahrscheinlichkeiten

Die unter 4.7.1 und 4.7.2 durchgeführten Schritte können alternativ und aus prak-
tischen Gesichtspunkten einfacher mit Hilfe der Funktion pps.sampling(·) im
Paket samplingbook realisiert werden.
> pps.sampling(z, n, id = 1:N, method = 'sampford',

+ return.PI = FALSE)
# z vector of quantities which determine the sampling

# probabilites in the population
# n positive integer for sample size
# id an optional vector with identification values
# for the population elements.
# Default is 'id = 1:N', where 'N' is length of 'z'
# method the sampling method to be used
# Options are 'sampford', 'tille', 'midzuno'
# or 'madow'
# return.PI logical. If TRUE the pairwise inclusion
# probabilities for all individuals in the
# population are returned
Dabei bestimmt z die Hilfsgröße, zu der die Auswahlwahrscheinlichkeiten

proportional gewählt werden, und n die gewünschte Stichprobengröße. Mit id
kann für die Populationselemente eine ID-Variable festgelegt werden. Wird die-
se nicht definiert, wird standardmäßig ein Vektor mit den Werten 1 bis N ge-
bildet. Als Methoden können die Optionen ’sampford’, ’tille’, ’midzuno’
oder ’madow’ angegeben werden. Mit return.PI wird schließlich angegeben, ob
die Auswahlwahrscheinlichkeiten zweiter Ordnung für alle Elemente der Grund-
gesamlheit ausgegeben werden sollen. Aus numerischen Gründen sind bestimm-
te Einstellungen nicht zulässig, nämlich bei method = ’sampford’ n/N >0.3
und N > 200 und bei method = ’tille’ N > 500. Bei großer Grundgesamt-
heit N empfiehlt es sich somit, die Methoden nach ’midzuno’ oder ’madow’ zu
verwenden.
Es soll nun eine PPS-Stichprobe nach Sampford vom Umfang n = 2 gezogen
werden, so dass die Auswahlwahrscheinlichkeiten proportional zur Variable z im
Datensatz data sind.
> set.seed(178209)
> pps.sample_sampford <- pps.sampling(z=data$z, n=2,
+ method="sampford")
> pps.sample_sampford
pps.sampling object: Sample with probabilities proportional to

size
Method of Sampford:
PPS sample:
[1] 3 7
Sample probabilities:
[,1] [,2]
[1,] 0.41025641 0.07281474
[2,] 0.07281474 0.28205128
Als Ergebnis erhält man einerseits die gezogene Stichprobe durch Angabe der
ausgewählten Indizes der Menge 1 bis N und andererseits die Auswahlwahrschein-
lichkeiten erster Ordnung der in die Stichprobe gezogenen Individuen. In dem Bei-
spiel sind dies die Individuen 3 und 7.
Die Stichproben und Auswahlwahrscheinlichkeiten nach den Methoden von
Tillé, Midzuno und Madow erhält man, indem man die Option method geeignet
wählt.
> set.seed(178209)
> pps.sample_tille <- pps.sampling(z=data$z, n=2, method="tille")
> pps.sample_tille

size
Method of Tille:
PPS sample:
[1] 1 3
[,1] [,2]
[1,] 0.23076923 0.05955335
[2,] 0.05955335 0.41025641
> set.seed(178209)
> pps.sample_midzuno <- pps.sampling(z=data$z, n=2, method="midzuno")
> pps.sample_midzuno

size
Method of Midzuno:
PPS sample:
[1] 3 4
[,1] [,2]
[1,] 0.41025641 0.08974359
[2,] 0.08974359 0.37179487
> set.seed(178209)
> pps.sample_madow <- pps.sampling(z=data$z, n=2, method="madow")
> pps.sample_madow

size
Method of Madow:
PPS sample:
[1] 3 6
[,1] [,2]
[1,] 0.4102564 0.2307692
[2,] 0.2307692 0.2564103
Größenproportionale Stichproben werden in der Praxis häufig verwendet, wenn

Informationen zu bevölkerungsbezogenen Themen von Interesse sind, da die Ein-
wohnerzahlen in Regionen, wie z.B. auf Kreisebene, zur Verfügung stehen. Bei
bestimmten Variablen erhofft man sich, durch bevorzugte Auswahl von Elemen-
ten in bevölkerungsreicheren Regionen gegenüber bevölkerungsärmeren Regionen
eine höhere Effizienz der Stichprobe zu erhalten. In dem Datensatz influenza aus
dem Paket samplingbook stehen die Einwohnerzahlen in den deutschen Stadt- und
Landkreisen aus dem Jahr 2007 in der Variable population zur Verfügung. Wir
wollen nun exemplarisch eine größenproportionale Stichprobe der Landkreise vom
Umfang n=20 nach der Methode von Midzuno ziehen.
> data(influenza)
> set.seed(108506)
> pps <- pps.sampling(z=influenza$population, n=20,
+ method='midzuno')
Dies ergibt:
> pps
pps.sampling object: Sample with probabilities proportional

to size
Method of Midzuno:
PPS sample:
[1] 35 83 107 109 130 140 157 210 219 223 257 273 290 294 324
[16] 342 361 371 418 423
[,1] [,2] [,3] [,4] [,5] [,6] [,7]

[1,] 0.09005 0.00533 0.00595 0.00474 0.00350 0.00373 0.00648
[2,] 0.00533 0.06223 0.00408 0.00320 0.00238 0.00253 0.00455
[3,] 0.00595 0.00408 0.07021 0.00364 0.00270 0.00288 0.00509
[4,] 0.00474 0.00320 0.00364 0.05499 0.00208 0.00222 0.00406
[5,] 0.00350 0.00238 0.00270 0.00208 0.04016 0.00160 0.00300
[6,] 0.00373 0.00253 0.00288 0.00222 0.00160 0.04292 0.00320
[7,] 0.00648 0.00455 0.00509 0.00406 0.00300 0.00320 0.07770
[8,] 0.00840 0.00604 0.00676 0.00537 0.00396 0.00422 0.00738
[9,] 0.01240 0.00881 0.00988 0.00781 0.00574 0.00613 0.01084
[10,] 0.00517 0.00350 0.00397 0.00310 0.00230 0.00245 0.00443
[11,] 0.00286 0.00195 0.00221 0.00171 0.00123 0.00132 0.00246
[12,] 0.00845 0.00607 0.00680 0.00540 0.00398 0.00425 0.00742
[13,] 0.00965 0.00690 0.00774 0.00613 0.00452 0.00482 0.00846
[14,] 0.00304 0.00207 0.00234 0.00181 0.00130 0.00139 0.00261
[15,] 0.00643 0.00451 0.00504 0.00402 0.00297 0.00317 0.00556
[16,] 0.00427 0.00290 0.00329 0.00254 0.00186 0.00198 0.00366
[17,] 0.00102 0.00070 0.00079 0.00061 0.00044 0.00047 0.00088
[18,] 0.02116 0.01484 0.01669 0.01314 0.00962 0.01028 0.01839
[19,] 0.00175 0.00120 0.00136 0.00105 0.00075 0.00081 0.00151
[20,] 0.00712 0.00512 0.00572 0.00455 0.00336 0.00359 0.00624
[,8] [,9] [,10] [,11] [,12] [,13] [,14]
[1,] 0.00840 0.01240 0.00517 0.00286 0.00845 0.00965 0.00304
[2,] 0.00604 0.00881 0.00350 0.00195 0.00607 0.00690 0.00207
[3,] 0.00676 0.00988 0.00397 0.00221 0.00680 0.00774 0.00234
[4,] 0.00537 0.00781 0.00310 0.00171 0.00540 0.00613 0.00181
[5,] 0.00396 0.00574 0.00230 0.00123 0.00398 0.00452 0.00130
[6,] 0.00422 0.00613 0.00245 0.00132 0.00425 0.00482 0.00139
[7,] 0.00738 0.01084 0.00443 0.00246 0.00742 0.00846 0.00261
[8,] 0.10147 0.01361 0.00587 0.00324 0.00948 0.01068 0.00343
[9,] 0.01361 0.14572 0.00855 0.00469 0.01367 0.01508 0.00498
[10,] 0.00587 0.00855 0.06034 0.00189 0.00590 0.00671 0.00200
[11,] 0.00324 0.00469 0.00189 0.03276 0.00326 0.00369 0.00105
[12,] 0.00948 0.01367 0.00590 0.00326 0.10201 0.01072 0.00345
[13,] 0.01068 0.01508 0.00671 0.00369 0.01072 0.11531 0.00392
[14,] 0.00343 0.00498 0.00200 0.00105 0.00345 0.00392 0.03476
[15,] 0.00732 0.01075 0.00438 0.00243 0.00736 0.00839 0.00258
[16,] 0.00484 0.00703 0.00280 0.00153 0.00487 0.00553 0.00162
[17,] 0.00115 0.00167 0.00067 0.00035 0.00116 0.00131 0.00038
[18,] 0.02353 0.03154 0.01439 0.00786 0.02364 0.02639 0.00834
[19,] 0.00198 0.00287 0.00116 0.00061 0.00199 0.00226 0.00065
[20,] 0.00812 0.01199 0.00497 0.00275 0.00817 0.00933 0.00292
[,15] [,16] [,17] [,18] [,19] [,20]

[1,] 0.00643 0.00427 0.00102 0.02116 0.00175 0.00712
[2,] 0.00451 0.00290 0.00070 0.01484 0.00120 0.00512
[3,] 0.00504 0.00329 0.00079 0.01669 0.00136 0.00572
[4,] 0.00402 0.00254 0.00061 0.01314 0.00105 0.00455
[5,] 0.00297 0.00186 0.00044 0.00962 0.00075 0.00336
[6,] 0.00317 0.00198 0.00047 0.01028 0.00081 0.00359
[7,] 0.00556 0.00366 0.00088 0.01839 0.00151 0.00624
[8,] 0.00732 0.00484 0.00115 0.02353 0.00198 0.00812
[9,] 0.01075 0.00703 0.00167 0.03154 0.00287 0.01199
[10,] 0.00438 0.00280 0.00067 0.01439 0.00116 0.00497
[11,] 0.00243 0.00153 0.00035 0.00786 0.00061 0.00275
[12,] 0.00736 0.00487 0.00116 0.02364 0.00199 0.00817
[13,] 0.00839 0.00553 0.00131 0.02639 0.00226 0.00933
[14,] 0.00258 0.00162 0.00038 0.00834 0.00065 0.00292
[15,] 0.07697 0.00363 0.00087 0.01822 0.00149 0.00619
[16,] 0.00363 0.04936 0.00055 0.01181 0.00094 0.00411
[17,] 0.00087 0.00055 0.01161 0.00279 0.00020 0.00098
[18,] 0.01822 0.01181 0.00279 0.24214 0.00480 0.02042
[19,] 0.00149 0.00094 0.00020 0.00480 0.01999 0.00169
[20,] 0.00619 0.00411 0.00098 0.02042 0.00169 0.08670
Folgende Kreise wurden in die Stichprobe gezogen.
> sample <- influenza[pps$sample,]

> sample
id district population cases

35 5554 LK Borken 370196 86
83 8117 LK Goeppingen 255807 67
107 3254 LK Hildesheim 288623 85
109 6434 LK Hochtaunuskreis 226043 8
130 3457 LK Leer 165088 5
140 3355 LK Lueneburg 176445 57
157 5770 LK Minden-Luebbecke 319401 86
210 8119 LK Rems-Murr-Kreis 417131 110
219 5382 LK Rhein-Sieg-Kreis 599042 72
223 9187 LK Rosenheim 248047 67
257 1061 LK Steinburg 134664 22
273 5978 LK Unna 419353 42
290 5170 LK Wesel 474045 8
294 15091 LK Wittenberg 142906 22
324 5314 SK Bonn 316416 11
342 16051 SK Erfurt 202929 188
361 9464 SK Hof 47744 12
371 5315 SK Koeln 995397 35

418 3405 SK Wilhelmshaven 82192 17
423 5124 SK Wuppertal 356420 62
4.7.4 Horvitz-Thompson-Schätzer
Der Horvitz-Thompson-Schätzer kann im Prinzip mit der Funktion HTestimator(·)
im Paket sampling berechnet werden. Diese beinhaltet jedoch keine Varianzschät-
zung, so dass wir auf diese Funktion nicht weiter eingehen wollen.
Stattdessen benutzen wir die Funktion htestimate(·) aus unserem Paket
samplingbook.
> htestimate(y, N, PI, pk, pik, method = 'yg')
# y vector of observations
# N integer for population size
# PI square matrix of second order inclusion probabilities
# with n rows and cols. It is necessary to be specified
# for variance estimation by methods 'ht' and 'yg'.
# pk vector of first order inclusion probabilities of
# length n for the sample elements. It is necessary to
# be specified for variance estimation by methods
# 'hh' and 'ha'.
# pik an optional vector of first order
# inclusion probabilities of length N for the population
# elements. It can be used for variance estimation by
# method 'ha'.
# method method to be used for variance estimation.
# Options are 'yg' (Yates and Grundy) and 'ht'
# (Horvitz-Thompson), approximative options are
# 'hh' (Hansen-Hurwitz) and 'ha' (Hajek).
Mit y wird der aus der Stichprobe resultierende Vektor der Beobachtungen und
mit N die Größe der Grundgesamtheit übergeben. Die Auswahlwahrscheinlichkeiten
zweiter Ordnung PI werden in Form einer Matrix der Dimension n × n übergeben,
die Auswahlwahrscheinlichkeiten erster Ordnung in der Stichprobe pk in Form ei-
nes Vektors der Länge n bzw. bei der Methode nach Hajek optional zusätzlich die
Auswahlwahrscheinlichkeiten erster Ordnung in der Grundgesamtheit pik in Form
eines Vektors der Länge N . Für die Varianzschätzung stehen vier Methoden zur Ver-
fügung, die mit der Option method gewählt werden. Optionen sind ’yg’ (Yates und
Grundy), ’ht’ (Horvitz-Thompson), ’hh’ (Hansen-Hurwitz) und ’ha’ (Hajek). Die
Voreinstellung der Prozedur ist die Methode ’yg’, also die Verwendung des Varianz-

schätzers VarY G Ȳ H T , siehe Formel (4.6). Dieser kann nur bei festem Stichpro-
benumfang verwendet werden. Weiterhin ist die Verwendung des Varianzschätzers

Var Ȳ
HT nach Formel (4.4) möglich. Dieser kann allerdings in bestimmten Fällen
negative Werte annehmen. Für beide Verfahren müssen die Auswahlwahrschein-
lichkeiten zweiter Ordnung bekannt sein und durch Angabe von PI der Funktion
übergeben werden. Sind diese nicht bekannt, so können zwei alternative Methoden
verwendet werden, nämlich die Varianzschätzung nach Hansen-Hurwitz (siehe Ab-
schn. 4.4) und nach Hajek, siehe S. 119. In letzteren beiden Fällen ist nur die Angabe
der Auswahlwahrscheinlichkeiten erster Ordnung notwendig. Um eine approxima-
tive Varianzschätzung zu erhalten, werden die Auswahlwahrscheinlichkeiten erster
Ordnung nur für die Stichprobe benötigt und mit pk übergeben. Um eine besse-
re Varianzschätzung zu erhalten, können für die Methode nach Hajek zusätzlich
die Auswahlwahrscheinlichkeiten erster Ordnung für die Grundgesamtheit mit pik
übergeben werden.
Nun wollen wir diese Funktion auf die bereits oben verwendeten Daten der
Grippeerkrankungen der Stadt- und Landkreise anwenden.
> data(influenza)
> head(influenza)
id district population cases

1 5354 LK Aachen 309929 21
2 7131 LK Ahrweiler 129096 14
3 9771 LK Aichach-Friedberg 127785 74
4 8425 LK Alb-Donau-Kreis 190212 19
5 16077 LK Altenburger Land 103313 36
6 7132 LK Altenkirchen 134912 35
Die Variable district enthält die Namen der Stadt- bzw. Landkreise, die
Variable population die Einwohnerzahl, und cases die Anzahl der Influenza-
Erkrankungen aus dem Jahr 2007.
Wir wollen nun anhand einer Stichprobe die Anzahl der Influenza-Fälle für ganz
Deutschland schätzen. Dazu schätzen wir zuerst den Mittelwert der Influenza-Fälle
mit allen vier Methoden der Varianzschätzung.
Zunächst wird wie in Abschn. 4.7.4 eine Ziehung nach dem PPS-Design mit der
Methode von Midzuno vorgenommen. Als Hilfsgröße wird die Einwohnerzahl der
Landkreise verwendet.
> set.seed(108506)
> pps <- pps.sampling(z=influenza$population, n=20,
+ method='midzuno')
> sample <- influenza[pps$sample,]
> N <- nrow(influenza)
> N
[1] 424
Im ersten Schritt wird der Horvitz-Thompson-Schätzer mit der Standard-

Varianzschätzung nach Yates und Grundy verwendet. Dazu ist die Angabe der Zie-
hungswahrscheinlichkeiten zweiter Ordnung nötig. Diese werden in der Matrix P I
übergeben. Die Matrix wird bei der Ziehung durch pps.sampling in das oben de-
finierte Objekt pps gespeichert.
> PI <- pps$PI

> est.yg <- htestimate(sample$cases, N=N, PI=PI, method='yg')
> est.yg
htestimate object: Estimator for samples with probabilities

proportional to size
Method of Yates and Grundy:
Mean estimator: 40.36766

Standard Error: 8.059507
Als zweites wird die Schätzung nach Horvitz-Thompson illustriert.
> est.ht <- htestimate(sample$cases, N=N, PI=PI, method='ht')

> est.ht

Method of Horvitz-Thompson:

Man erkennt, dass sich die beiden Arten der Varianzschätzung kaum unterschei-
den. Im Allgemeinen sollte die Varianzschätzung nach Horvitz-Thompson nur ver-
wendet werden, wenn der Stichprobenumfang bei einer Erhebung nicht a priori
feststeht.
Als dritte Variante wird die Methode nach Hansen-Hurwitz illustriert. Hier be-
nötigt man nur die Ziehungswahrscheinlichkeiten erster Ordnung. Diese werden
mit dem Vektor pk übergeben, der beim Aufruf von pps.sampling in das oben
definierte Objekt pps gespeichert wurde.
> pk <- pps$pik[pps$sample]

> est.hh <- htestimate(sample$cases, N=N, pk=pk, method='hh')
> est.hh

Method of Hansen-Hurwitz (approximate variance):

Man erkennt, dass die Varianzschätzung nur geringfügig größer ist als die nach
Yates und Grundy. Dies lässt sich mit dem relativ hohen Umfang der Grundgesamt-
heit erklären. Diese Varianzschätzung wird angewendet, wenn die Auswahlwahr-
scheinlichkeiten zweiter Ordnung nicht bekannt sind und der Auswahlsatz klein
(< 5%) ist.
Schließlich wird noch die Varianzschätzung mit der Methode von Hajek durch-
geführt. Hierzu kann die Kenntnis der Auswahlwahrscheinlichkeiten erster Ordnung
in der Grundgesamtheit verwendet werden, siehe Formel (4.11) auf S. 119, um
eine genauere Schätzung zu erhalten. Diese wird zusätzlich in der Variablen pik
übergeben und damit werden die Auswahlwahrscheinlichkeiten zweiter Ordnung
approximiert.
> est.ha1 <- htestimate(sample$cases, N=N, pk=pk, pik=pps$pik,

+ method='ha')
> est.ha1

Method of Hajek (approximate variance):

N n
Alternativ kann die Größe d = i=1 πi (1 − πi ) durch die Größe l=1 (1 − πl )
aus der Stichprobe geschätzt werden. Dies wird von htestimate(·) durchgeführt,
wenn die Variable pik nicht übergeben wird.
> est.ha2 <- htestimate(sample$cases, N=N, pk=pk, method='ha')

> est.ha2

Method of Hajek (approximate variance):

Schließlich multiplizieren wir am Ende einen beliebigen Mittelwertschätzer mit

der Anzahl der Landkreise, um die Gesamtzahl der Krankheitsfälle zu schätzen.
> est.yg$mean*N
[1] 17115.89
Durch Multiplikation der Standardfehler mit der Anzahl der Kreise lässt sich ein
Konfidenzintervall für die Gesamtanzahl der Krankheitsfälle bestimmen.
> lower <- est.ht$mean*N - qnorm(0.975)*N*est.ht$se

> upper <- est.ht$mean*N + qnorm(0.975)*N*est.ht$se
> c(lower,upper)
[1] 10278.45 23953.33
Vergleicht man das Konfidenzintervall für diese Anzahl mit der tatsächlichen
Anzahl der Krankheitsfälle, so zeigt sich, dass es den wahren Wert von 18 900
überdeckt. Allerdings ist das Konfidenzintervall aufgrund des geringen Stichprobe-
numfangs sehr breit. Insgesamt ist also mit der sehr kleinen Stichprobe nur eine
grobe Abschätzung möglich.
Kapitel 5
Gruppierung der Population
In vielen Anwendungen ist die Population recht umfangreich und das Ziehen ei-
ner einfachen Zufallsstichprobe erweist sich schon aus praktischen Gesichtspunk-
ten als schwierig. Die Population zerfällt jedoch in den meisten Anwendungen
ganz natürlich in einzelne Gruppen. Das Gebiet der Bundesrepublik Deutsch-
land zerfällt im Jahr 2007 in 424 Kreise und kreisfreie Städte: Die Bürger der
Bundesrepublik als Population betrachtet zerfallen somit in 424 nicht überlap-
pende Gruppen (nimmt man den Erstwohnsitz als Zuordnung zu einem Kreis).
Eine gröbere Zerlegung ergibt sich über Bundesländer, eine feinere über Post-
zustellbezirke basierend auf der Postleitzahl. Ein anderes Gruppierungsmerkmal
für die Population ist das Geschlecht oder das Alter einer Person. Je nach-
dem welches Kriterium zur Gruppierung herangezogen wird, zerfällt die Popu-
lation in in sich homogene oder heterogene Gruppen. Betrachtet man die Krei-
se als Gruppierung, so ist die Bevölkerung innerhalb eines Kreises zumindest
in gewissem Rahmen heterogen. Das soll heißen in jedem Kreis gibt es Indi-
viduen verschiedenen Geschlechts, verschiedenen Alters, verschiedenen Berufs
etc. Zerlegt man die Population hingegen nach ihrem Alter, so sind die Sub-
gruppen zumindest bezüglich altersabhängiger Merkmale in gewissem Rahmen
homogen.
Wir werden im Folgenden Stichprobenverfahren entwickeln, die auf einer Zer-
legung der Population beruhen. Je nach Verfahren werden unterschiedliche Zie-
hungsmethoden angewendet. Insbesondere werden wir die Gruppen der Population
Schichten oder Cluster nennen. Die zugehörigen Stichproben werden mit geschich-
teter Stichprobe oder Cluster-Stichprobe bezeichnet.
5.1 Geschichtete Stichprobe
5.1.1 Prinzip der Schichtung

Wie erwähnt zerfällt die Grundgesamtheit bei verschiedenen Fragestellungen in
natürlicher Weise in Teilmengen oder, wie wir es bezeichnen werden, in Schich-
ten. Staaten zerfallen in Bundesländer, Städte in Stadtbezirke, Mitarbeiter eines
Betriebes in verschiedenen Abteilungen etc. Wenn man nun in den einzelnen

138 5 Gruppierung der Population
Schichten jeweils getrennt eine Stichprobe zieht und die damit erhobenen Daten
dann erst zur Auswertung zusammenführt, spricht man von einer geschichteten
Stichprobe.
Beispiel 5.1: Eine Untersuchung soll Aufschluss über den durchschnittlichen

Quadratmeterpreis von Mietwohnungen in einer Stadt geben. Eine Möglichkeit ist
die Ziehung einer einfachen Zufallsstichprobe von beispielsweise 3 000 Wohnun-
gen. Da aber bekannt ist, dass die Mietpreise stark von dem Stadtviertel abhängig
sind, erscheint es sinnvoll, die Ziehung auf der Ebene von Stadtvierteln durch-
zuführen. Man kann die Stadt in drei Regionen einteilen, z.B. Region 1: „reiche
Villengegend“, Region 2: „mittlere Lage“, Region 3: „Plattenbausiedlung“. Wenn
man nun aus allen drei Regionen einzeln eine Stichprobe zieht, kann man nicht
nur Aufschluss über die Mietpreise in den einzelnen Vierteln gewinnen, sondern
auch das Gesamtmittel des Quadratmeter-Mietpreises effizienter schätzen, d.h.
mit geringerer Varianz.
Im obigen Beispiel können wir die Information zur Aufteilung der Stadt in drei
Regionen als Sekundärinformation X ansehen. Wir nutzen die Information aus dem
Merkmal „Region“ beim Stichproben-Design. Wir bezeichnen X in diesem Zusam-
menhang als Schichtungsmerkmal. In der Praxis sind verschiedene Schichtungs-
merkmale möglich. So könnte die Wohnungsgrößenklasse im obigen Beispiel eben-
so als Schichtungsmerkmal dienen. Um das Verfahren der geschichteten Stichprobe
jedoch praktisch durchführen zu können, ist es nötig, die Schichtzugehörigkeit und
den Umfang der Schichten in der Grundgesamtheit zu kennen. Die geschichtete
Stichprobe ist das in der Praxis am häufigsten verwendete Design. Dafür gibt es im
Wesentlichen drei Gründe:
1. Eine getrennte Auswertung der Daten innerhalb der einzelnen Schichten ist
möglich. Während es bei einer einfachen Zufallsstichprobe passieren kann, dass
einzelne Schichten nur sehr wenige Elemente in der Stichprobe haben, wird der
Stichprobenumfang bei der geschichteten Stichprobe für jede Schicht einzeln
festgelegt.
2. Unter bestimmten Bedingungen, die wir im Folgenden diskutieren werden, kann
man bei der Schätzung des Gesamtmittelwertes einen erheblichen Effizienzge-
winn erreichen. Das bedeutet, dass die Varianz des entsprechenden Schätzers
geringer wird. Dies ermöglicht einen detaillierteren Einblick in die Verteilung
des interessierenden Merkmals.
3. Wenn man die Stichprobenumfänge innerhalb der Schichten proportional zu
den Schichtgrößen in der Grundgesamtheit wählt, so entspricht die Stichprobe
dem Ideal der Repräsentativität bezüglich des Schichtmerkmals. Hier ist mit
Repräsentativität gemeint, dass die Stichprobe ein möglichst gutes Abbild der
Grundgesamtheit sein soll. Wählt man z.B. 10 Schichten, die durch 5 Altersgrup-
pen und das Geschlecht definiert sind, und zieht aus jeder Schicht entsprechend
den Anteilen an der Gesamtbevölkerung, so stimmt die Alters- und Geschlechts-
verteilung in der geschichteten Stichprobe mit der aus der Population überein.
5.1 Geschichtete Stichprobe 139
Abb. 5.1 Schematische Darstellung einer geschichteten Stichprobe
Der letztgenannte Grund gilt allerdings nur für die geschichtete Stichprobe mit
proportionaler Aufteilung. Wir werden allgemeiner Stichproben betrachten, bei
denen eine nicht-proportionale Aufteilung sinnvoller sein kann. Auch hier sind
unverzerrte Schlüsse auf die Grundgesamtheit möglich. So ist beispielsweise das
Wahlverhalten in den alten Bundesländern der Bundesrepublik Deutschland mehr
oder minder stabil, soll heißen, auch mit einer relativ kleinen Stichprobe erzielt man
(auch basierend auf Vorwissen aus der vorherigen Wahl) recht genaue Ergebnis-
se. In den neuen Bundesländern hingegen ist die Wahlkontinuität weitaus weniger
ausgeprägt. Um also eine ebenfalls verlässliche Aussage über das Wahlverhalten zu
erhalten, ist eine größere Stichprobe in den neuen Bundesländern sinnvoll. Diese un-
gleiche Gewichtung muss korrigiert werden, was, wie wir sehen werden, nichts an-
deres ist als die Anwendung des oben besprochenen Horvitz-Thompson-Schätzers.
Schematisch ist eine geschichtete Stichprobe in Abb. 5.1 gezeigt.
Beispiel 5.2: Eine Untersuchung soll Aufschluss über den durchschnittlichen
Wohnraum einer Familie in einer Stadt geben. Dazu sollen 100 Familien zufällig
ausgewählt und befragt werden. Für die geplante Untersuchung liegt Sekundärin-
formation vor und es erscheint sinnvoll, diese zu nutzen. Man beachte beispiels-
weise, dass Wohnungen in wohl situierten Vororten vermutlich größer sind als
Wohnungen in Arbeitergegenden. Diese Information soll bei der Stichproben-
ziehung genutzt werden. Die Idee ist, anstelle einer einfachen Zufallsstichprobe
ein anderes Design zu verwenden, welches garantiert, dass Haushalte sowohl
in den noblen Vororten als auch in Arbeitergegenden betrachtet werden und in
die Stichprobe gelangen. Damit kann sowohl durch getrennte Auswertungen die
Frage nach dem durchschnittlichen Wohnraum in den verschiedenen Stadtvier-
teln beantwortet werden, als auch ein Effizienzgewinn durch die Verringerung
der Varianz bei dem entsprechenden Schätzer für den Gesamtmittelwert erreicht
werden.
Beispiel 5.3: Eine Universität möchte herausfinden, wie oft und in welchem
Umfang Studierende die Lesetische und Studierräume der Bibliothek nutzen.
Hierzu soll eine Stichprobe gezogen werden. Schon vor der Stichprobenziehung
liegt jedoch Sekundärinformation vor. Studierende in niedrigeren Semestern sind
vermutlich weitaus weniger in der Bibliothek zu finden als solche kurz vor ihrem
Examen. Zieht man also eine einfache Zufallsstichprobe, so kann es rein zufäl-
lig geschehen, dass überwiegend Studenten in niedrigeren Semestern ausgewählt
werden. Die Konsequenz ist, dass die Benutzung der Bibliothek unterschätzt
wird. Dies geschieht, wie gesagt, rein zufällig durch die zufällige Auswahl der
Studenten. Ebenso kann es rein zufällig passieren, dass überwiegend Studierende
höherer Semester befragt werden und die Bibliotheksnutzung überschätzt wird.
Diesen Aspekt der Variabilität können wir durch das Design der geschichteten
Stichprobe verkleinern.
Das Design einer geschichteten Stichprobe und deren Vorteile sollen anhand des
folgenden Beispiels veranschaulicht werden. Wir betrachten dazu eine Population
mit N = 5 Elementen.
Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22
Zunächst soll aus der Population eine einfache Zufallsstichprobe vom Umfang
n = 3 gezogen werden und wir erhalten die möglichen Stichproben, wie sie in
Abschn. 2.6 aufgelistet sind. Da jede Stichprobe mit gleicher Wahrscheinlichkeit
auftritt, ergibt sich für ȳ die Wahrscheinlichkeitsverteilung:
ȳ 10 12,33 12,67 13 13,67 14 14,33 16,33 16,67 17

P( ȳ) 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
Berechnet man aus obiger Verteilung den Erwartungswert und die Varianz, so
ergibt sich
E( ȳ) = 14, V ar ( ȳ) = 4, 33.
Wir wollen nun der Frage nachgehen, wie wir die Varianz verringern können,
indem wir „geschickt“ n = 3 Merkmalsträger ziehen. Nehmen wir dazu an, dass
wir als Sekundärinformation wissen, dass die Population in 2 Gruppen geteilt ist.
Die erste Gruppe besteht dabei aus Y1 , Y2 und Y3 , die zweite aus Y4 und Y5 . Die
vorgeschlagene Teilung der Population zeichnet sich dadurch aus, dass in jeder
Gruppe die Variable Yi annähernd gleiche Werte annimmt, also das Niveau von Y
stark von der jeweiligen Gruppe abhängt. Wir bezeichnen eine Zerlegung der Popu-
lation in Untergruppen als Schichtung oder Stratifizierung und die entsprechenden
Gruppen als Schichten oder Strata. Wir ziehen nun aus jeder Schicht eine einfache
Zufallsstichprobe. Ein derartiges Vorgehen bezeichnet man als geschichtete Stich-
probe oder auch stratifizierte Stichprobe.
Wir verfolgen obiges Beispiel weiter und nehmen an, die Schichten seien wie
folgt definiert:
Schicht 1: Y1 = 9 , Y2 = 10, Y3 = 11.

Schicht 2: Y4 = 18, Y5 = 22.
Nun ziehen wir aus der ersten Schicht zwei und aus der zweiten Schicht ein
Element jeweils durch eine einfache Zufallsstichprobe. Damit erhalten wir die fol-
genden möglichen Stichproben.
Schicht 1 Schicht 2
Gezogene Mittelwert der Gezogene Mittelwert der
Einheiten Stichprobe Einheit Stichprobe
1 2 9,5 4 18
1 3 10 5 22
2 3 10,5
Die Frage ist nun, wie wir die Mittelwerte der beiden Schichten zu einem ge-
meinsamen Schätzer verbinden können, der das Populationsmittel Ȳ schätzt. Die
Antwort hierfür liefert das Horvitz-Thompson-Theorem, wie wir es in Abschn. 4.1
kennengelernt haben. Wir müssen somit nur die Auswahlwahrscheinlichkeiten der
einzelnen Individuen bestimmen und damit dann den Horvitz-Thompson-Schätzer
berechnen. Dazu verwenden wir folgende Notation:
Geschichtete Stichprobe
Die Population wird in M sich nicht überlappende Gruppen zerlegt.

Diese werden Schichten genannt und enthalten jeweils Nh Elemente,
aus denen jeweils n h Elemente in Form einer einfachen Zufallsstichprobe
gezogen werden.
Größe Bedeutung
In der Population:
Nh , h = 1, . . . , M Populationsumfang in der h-ten Schicht

M
N = h=1 Nh Gesamt-Populationsumfang
Yhi , i = 1, . . . , Nh Variable oder Merkmal des i-ten Individuums

in der h-ten Schicht
Nh
Ȳh = 1
Nh i=1 Yhi Mittelwert der Variablen in der h-ten Schicht
πhi = n h /Nh Auswahlwahrscheinlichkeit für das i-te Individu-
um in der h-ten Schicht
Nh (Yhi −Ȳh )2
Sh2 = i=1 Nh Varianz in der h-ten Schicht
In der Stichprobe:
n h , h = 1, . . . , M Stichprobenumfang in der h-ten Schicht

M
n = h=1 nh Gesamt-Stichprobenumfang
yhk , k = 1, . . . , n h Variable oder Merkmal des k-ten gezogenen Indi-

viduums in der h-ten Schicht
n h
ȳh = 1
nh k=1 yhk Mittelwert der Variablen in der h-ten Schicht
πhk = n h /Nh Auswahlwahrscheinlichkeit für das k-te gezogene
Individuum in der h-ten Schicht
n h (yhk − ȳh )2
sh2 = k=1 (n h −1) Varianz in der h-ten Schicht
Inhaltlich bedeutet eine geschichtete Stichprobe nichts anderes, als dass unab-
hängig voneinander M einfache Zufallsstichproben in den M sich nicht überlappen-
den Schichten gezogen werden. Damit beträgt die Wahrscheinlichkeit, dass ein Indi-
viduum aus der h-ten Schicht gezogen wird n h /Nh , das heißt, für das i-te Individu-
um aus der h-ten Schicht ergibt sich die Auswahlwahrscheinlichkeit πhi = n h /Nh .
Setzen wir dies in die Formel des Horvitz-Thompson-Schätzers ein, so erhält man
den Schätzer für die geschichtete Stichprobe gemäß
M nh M
yhk Nh
Ȳ G S = = ȳh , (5.1)
N πhk N
h=1 k=1 h=1
n h
wobei ȳh = k=1 yhk /n h der Schätzer für den Mittelwert in der h-ten Schicht ist.
Der Horvitz-Thompson-Schätzer für die geschichtete Stichprobe ergibt sich also
als gewichtetes Mittel der Mittelwerte in den einzelnen Schichten. Wir bezeichnen
diesen Schätzer auch als geschichteten Schätzer, da er sich aus den Mittelwert-
schätzern der einzelnen Schichten zusammensetzt. Die Erwartungstreue des ge-

schichteten Schätzers folgt unmittelbar aus dem Horvitz-Thompson-Theorem. Die
Erwartungstreue folgt aber auch unmittelbar aus
E( ȳh ) = Ȳh

M
Nh
und Ȳ = · Ȳh . (5.2)
N
h=1
Hieraus erkennt man das Prinzip des geschichteten Schätzers: Zunächst werden
die Mittelwerte der einzelnen Schichten mit Hilfe einer einfachen Zufallsstichprobe
geschätzt. Dann wird der Schätzer für den Gesamtmittelwert mit Hilfe der Gl. (5.2)
bestimmt.
Wir setzen obiges Beispiel fort. Für die Stichprobe mit gezogenen Einheiten 1
und 2 für Schicht 1 und gezogener Einheit 4 für Schicht 2 ergibt sich exemplarisch
der Schätzer
3 (9 + 10) 2
Ȳ G S = + 18 = 12, 9.
5 2 5
Als mögliche Stichproben in beiden Schichten erhalten wir
Gezogene Gezogene
Einheiten Einheit
Schicht 1 Schicht 2 ȳ1 ȳ2
Ȳ G S
1 2 4 9,5 18 12,9
1 3 4 10 18 13,2
2 3 4 10,5 18 13,5
1 2 5 9,5 22 14,5
1 3 5 10 22 14,8
2 3 5 10,5 22 15,1
Damit ergibt sich für den geschichteten Schätzer

E Ȳ G S = 14, Var Ȳ G S = 0, 7.
Wir sehen, dass der geschichtete Schätzer erwartungstreu ist. Auffallend und er-
freulich ist weiter, dass die Varianz des Schätzers mit 0, 7 deutlich geringer ist als
die für die einfache Zufallsstichprobe erhaltene Varianz von 4, 33. Die Reduktion
der Varianz konnte erzielt werden, weil die Schichten so gewählt wurden, dass
Schicht 1 die kleinen Y -Werte und Schicht 2 die großen Y -Werte beinhaltet. Das
heißt, die Elemente innerhalb der Schichten waren ähnlich, wohingegen die ein-
zelnen Schichten untereinander unterschiedlich waren. Diese Eigenschaft lässt sich
generell formulieren und wird als sogenanntes Schichtungs-Prinzip bezeichnet.
Schichtungs-Prinzip:
Die Schichten sollen so gewählt werden, dass die Variablen (oder Merkmals-
träger) innerhalb einer Schicht so ähnlich wie möglich sind. Die einzelnen
Schichten sollten sich untereinander so weit wie möglich unterscheiden.
Das Schichtungs-Prinzip ist in praktischen Anwendungen oftmals erfüllt durch

einfache lokale Nähe der Merkmalsträger. Wählt man beispielsweise den Wohnort
als Schichtungsmerkmal, so gilt üblicherweise, dass die Bevölkerung in Bezirken
oder Ortsteilen ein ähnliches Profil aufweist. Somit wird eine derartige Schichtung
in vielen Anwendungen einen positiven Effekt zeigen. Ebenso kann bei einer Um-
frage zwischen Stadt- und Landbezirken unterschieden werden, in der Annahme,
dass die städtische und ländliche Bevölkerung in sich relativ homogen ist, Stadt-
und Landbevölkerung sich jedoch stark voneinander unterscheiden.
Wir wollen nun die Varianz des geschichteten Schätzers in Formeln herleiten. Im
Prinzip können wir dabei auf die Varianzformel des Horvitz-Thompson Schätzers
zurückgreifen (siehe Herleitung). Naheliegender ist jedoch die folgende Berech-
nung. In jeder Schicht wird eine einfache Zufallsstichprobe gezogen, so dass für die
einzelnen Schichten gilt
Nh − n h Sh2
Nh
(Yhi − Ȳh )2
Var( ȳh ) = mit Sh2 = .
Nh − 1 n h Nh
i=1
Der geschichtete Schätzer ergibt sich nun als gewichtete Summe von ȳh , h =
1, . . . , M, wobei die Schätzer der Mittelwerte in den einzelnen Schichten unab-
hängig sind. Die Varianz ergibt sich damit als gewichtete Summe der einzelnen
Schichtvarianzen. Wir erhalten

M
Nh 2
Var Ȳ G S = Var( ȳh )
N
h=1
M

Nh 2 Nh − n h Sh2
= . (5.3)
N Nh − 1 n h
h=1
Die Streuung der einzelnen Schichten Sh2 ist nicht bekannt und muss wie gehabt
durch sh2 geschätzt werden. Dies führt zur geschätzten Varianz

M
nh
Nh 2 Nh − n h sh2 (yhk − ȳh )2
Var Ȳ G S = mit sh2 = . (5.4)
N Nh nh (n h − 1)
h=1 k=1
Die Varianz ergibt sich als gewichtete Summe der Schichtvarianzen Sh2 . Somit
hat der geschichtete Schätzer eine geringere Varianz als Ȳ E S , wenn die Größen Sh2
klein sind. Das heißt aber, dass geringe Streuung innerhalb der Schichten zu einer
geringen Varianz des geschichteten Schätzers führt. Dies ist genau die Eigenschaft,
die wir als Schichtungsprinzip formuliert hatten. Diesen Punkt werden wir später
noch einmal aufgreifen, wenn wir die Varianz von Ȳ G S mit der Varianz des Schät-
zers einer einfachen Zufallsstichprobe Ȳ E S vergleichen werden.
In verschiedenen Anwendungen ist die Populationsgröße der einzelnen Schich-
ten nicht bekannt. Dies tritt auf, wenn die Population recht groß ist und damit die
genaue absolute Größe einer Schicht unbekannt ist. Beispielsweise muss in einer
großen Population nicht bekannt sein, wie viele Frauen oder Männer als Schich-
ten betrachtet in einer Population sind. Sofern jedoch die relative Schichtengröße
Nh /N bekannt ist, kann der geschichtete Schätzer zum Einsatz kommen, allerdings
unter Vernachlässigung des Korrekturfaktors für endliche Populationen. Letzterer ist
vernachlässigbar, wenn, wie gesagt, die Population und damit die einzelnen Schich-
ten groß sind. In diesem Fall ergibt sich der Varianzschätzer zu

M
Nh 2 sh2
V ar Ȳ G S ≈ .
N nh
h=1
Geschichtete Stichprobe
Die Population sei aufgeteilt in M sich nicht überlappende Schichten

vom Umfang Nh , h = 1, . . . , M.
In jeder Schicht wird eine einfache Zufallsstichprobe
vom Umfang n h , h = 1, . . . , M, gezogen.
Die Ziehungen in den Schichten sind voneinander unabhängig.
Ein erwartungstreuer Schätzer für den Mittelwert der Population

ist gegeben durch den geschichteten Schätzer
M
Nh

Ȳ G S = ȳh ,
N
h=1
wobei ȳh der Mittelwert der Stichprobe in der h-ten Schicht ist.

M
Nh 2 Nh − n h sh2
Var Ȳ G S = ,
N Nh nh
h=1
wobei sh2 die geschätzte Varianz in der h-ten Schicht ist.
Herleitung: Wir wollen zeigen, dass sich die Varianzformel 5.3 direkt aus der Darstellung 4.5
ergibt. Für die Auswahlwahrscheinlichkeiten der geschichteten Stichprobe gilt:
nh
πhi = , h = 1, . . . , M , i = 1, . . . , Nh ,
Nh
n h (n h − 1)
πhi,h j = , i = j , i, j = 1, . . . , Nh .
Nh (Nh − 1)
Diese beiden Identitäten ergeben sich, da bei der geschichteten Stichprobe innerhalb der
Schichten eine einfache Zufallsstichprobe gezogen wird. Für die Auswahlwahrscheinlichkeiten
zweiter Ordnung bei Elementen aus verschiedenen Schichten gilt aufgrund der Unabhängigkeit
der einzelnen Ziehungen:
πh 1 i,h 2 j = πh 1 i · πh 2 j , h 1 = h 2 , i = 1, . . . , Nh 1 , j = 1, . . . , Nh 2 .
Einsetzen dieser Wahrscheinlichkeiten in 4.5 liefert unter Berücksichtigung der abweichen-

den Indizierung bei der geschichteten Stichprobe:
M Nh M Nh
1 1

1

2 Yh 1 i Yh j 2
Var Ȳ G S = 2 · πh 1 i πh 2 j − πh 1 i,h2 j − 2
N 2 πh 1 i πh 2 j
h 1 =1 i=1 h 2 =1 j=1
(h 1 ,i)=(h 2 , j)

1 1
2 1
M Nh
Nh
nh 2 n h (n h − 1) Yhi Yh j 2
= · N h · − −
N2 2 Nh2 i=1 j=1 Nh Nh (Nh − 1) πh πh
h=1
i= j
1
2
M
= 2 Nh · Var ( ȳh ) .
N
h=1
Die erste Umformung erhält man, da alle Terme aus unterschiedlichen Schichten wegen
πh 1 i πh 2 j − πh 1 i,h2 j = 0 wegfallen. Die letzte Umformung ergibt sich durch Anwendung von
4.5 auf die einzelnen Summanden (Schichten). Der Schichtmittelwert ȳh wird dabei als Horvitz-
Thompson-Schätzer für Ȳh angesehen.
5.1.2 Stichprobenumfang in den Schichten

Neben der Aufteilung der Individuen in Schichten ist vor Stichprobenziehung auch
die Aufteilung des Stichprobenumfangs auf die einzelnen Schichten festzulegen.
Ohne weitere Information bietet sich hier die proportionale Aufteilung an, bei der
größere Schichten einen größeren Anteil in der Stichprobe erhalten. Dies lässt sich
erreichen, indem der Stichprobenumfang in den einzelnen Schichten proportional
zur Schichtgröße Nh in der Population gewählt wird. Wir notieren dies wie folgt:
• Proportionale Aufteilung:

Nh
n h, pr op = n · , (5.5)
N

wobei die eckigen Klammern n · NNh hier die nächst gelegene ganze Zahl liefern,
sprich das gerundete Ergebnis. Man beachte, dass der Gesamtstichprobenumfang, je
nach Rundung, geringfügig größer oder kleiner als n sein kann. Wir ignorieren diese
Feinheit, da sie in den meisten Fällen irrelevant ist. Die proportionale Aufteilung
wird am häufigsten verwendet und wir werden später noch einige Argumente für sie
anführen. Dennoch ist sie hinsichtlich der Genauigkeit nicht notwendigerweise op-
timal. Betrachtet man die Varianzformel genauer, so erkennt man, dass die Varianz
des geschichteten Schätzers sowohl von Nh als auch von Sh , der Streuung innerhalb
einer Schicht, abhängt. Dies legt es nahe, in Schichten mit einer geringeren Streuung
eine kleinere Stichprobe zu ziehen. Ist die Streuung in einer Schicht dagegen groß,
so sollte der Stichprobenumfang in dieser Schicht erhöht werden. Dies führt zur
optimalen Aufteilung. Vernachlässigt man der Einfachheit halber den Korrektur-
faktor (Nh − n h )/(Nh − 1), so ist die Varianz bestimmt durch

M
Nh 2 Sh2
Var Ȳ G S = ,
N nh
h=1
d.h. je größer Nh · Sh , desto größer die Varianz des Schätzers. Wir wählen daher n h
proportional zu Nh · Sh , was die optimale Aufteilung oder auch Varianz-optimale
Aufteilung liefert:
• Optimale Aufteilung:

Nh · Sh
n h,opt = n M , (5.6)
h
=1 Nh
Sh
wobei die Klammern [ · ] wiederum die gerundete ganze Zahl liefern. Die genaue
Herleitung folgt aus S. 150.
Betrachten wir exemplarisch die optimale Aufteilung für unser obiges kleines
Zahlenbeispiel. Bei der gewählten Schichtung
Schicht 1: Y1 = 9, Y2 = 10, Y3 = 11.

Schicht 2: Y4 = 18, Y5 = 22.
ergibt sich S12 = 2/3 und S22 = 4. Damit folgt die optimale Aufteilung
√
3 · 2/3
n1 = 3 · √ √ = 1,
3 · 2/3 + 2 · 4
√
2· 4
n2 = 3 · √ √ = 2,
3 · 2/3 + 2 · 4
d.h. in Schicht 2 empfiehlt sich eine Vollerhebung, da n 2 = N2 = 2, in Schicht

1 soll hingegen der Stichprobenumfang auf n 1 = 1 festgelegt werden. Zieht man
entsprechend eine geschichtete Stichprobe, so folgt
Gezogene Gezogene
Einheiten Einheit
Schicht 1 Schicht 2 ȳ1 ȳ2
Ȳ G S
1 4 5 9 20 13,4
2 4 5 10 20 14
3 4 5 11 20 14,6
Als Erwartungswert und Varianz ergeben sich

E Ȳ G S = 14, Var Ȳ G S = 0, 24.
Im Vergleich zur vorherigen Schichtung zeigt sich wiederum eine Varianzreduk-

tion, wenngleich die weitere Reduktion gering ausfällt. Dennoch hat der Ansatz zu
einem optimalen Ergebnis geführt.
Die optimale Aufteilung setzt die Kenntnis von Sh2 voraus, welche üblicherweise
jedoch vor Stichprobenziehung nicht gegeben ist. Als Ausweg bietet sich an, eine
Pilotstichprobe von kleinerem Umfang zu ziehen um daraus Sh2 zu schätzen. Dieses
Vorgehen ist natürlich mit entsprechenden Kosten verbunden, was nicht notwen-
digerweise für seine Anwendung spricht. Alternativ kann es Situationen geben, in
denen Kenntnisse über Sh2 aus vorherigen Studien vorliegen, welche zur Planung der
Aufteilung herangezogen werden können. Zu beachten ist, dass die optimale Auftei-
lung der proportionalen Aufteilung entspricht, wenn die Varianzen in den einzelnen
Schichten gleich sind, d.h. gilt Sh2 = S 2 , so ist n h,prop = n h,opt . Ist diese Annahme
plausibel, so kann die optimale Aufteilung ersetzt werden durch eine proportionale
Aufteilung. Andererseits ist eine optimale Aufteilung vorzuziehen, wenn deutliche
Unterschiede in den einzelnen Schichten bezüglich der Varianz des zu untersuchen-

den Merkmals bestehen.
Beispiel 5.4: In der bereits in Beispiel 3.5.2 besprochenen Studie sollte der
mittlere Investitionswert pro Teilnehmeranschlussleitung in einem großen Tele-
fonnetz bestimmt werden. Dazu wurde das Telefonnetz in 7 319 Anschlussbe-
reiche (AsB) aufgeteilt. Daraus wurde zuerst eine einfache Zufallsstichprobe
vom Umfang n = 287 gezogen. Um die Genauigkeit der Schätzung zu erhö-
hen, sollte anschließend mit Hilfe von Informationen aus dieser ersten Stich-
probe eine geschichtete Stichprobe vom Umfang n = 600 gezogen werden.
Die Stichprobenumfänge in den Schichten sollten dabei (Varianz-)optimal ge-
wählt werden. Aus dieser zweiten Stichprobe sollte erneut der Gesamtinvesti-
tionswert bestimmt werden. Durch Division durch die (bekannte) Anzahl der
Teilnehmeranschlussleitungen ergibt sich eine Schätzung für den gewünschten
mittleren Investitionswert.
Zur Schichtung sind solche Merkmale geeignet, die die Grundgesamtheit in
möglichst homogene Teile aufspalten. Da es keine Anhaltspunkte gibt, dass der
Investitionswert eines Anschlussbereiches stark von der Region abhängt, ist eine
Schichtung nach räumlichen Merkmalen nicht sinnvoll. Als viel besser geeignet
erwies sich das Schichtungsmerkmal „Leitungslänge im AsB“. Dieses Merkmal
ist ein Maß für die Größe des AsB und steht natürlicherweise in einem starken
Zusammenhang zur Zielgröße. Die Grundgesamtheit wurde (aufgrund von Er-
gebnissen aus der ersten Stichprobe) in die folgenden 4 Schichten eingeteilt.
Schichtdefinition Anzahl AsB in GG Standard-

über Leitungslänge (LL) abweichung
Schicht in Metern in Tausend
1 LL 8 Mio. 4 008 116
2 8 Mio. < LL 15 Mio. 1 667 176
3 15 Mio. < LL 26 Mio. 1 179 215
4 26 Mio. < LL 465 332
Gesamt 7 319
Da aus der ersten Erhebung neben den Schichtumfängen auch Schätzungen für
die Standardabweichungen in den einzelnen Schichten zur Verfügung standen,
kann die optimale Aufteilung der Stichprobe gewählt werden, d.h.
n1 : n2 : n3 : n4
= N1 S1 : N2 S2 : N3 S3 : N4 S4
= 4 008 ∗ 116 : 1 667 ∗ 176 : 1 179 ∗ 215 : 465 ∗ 332
= 464 928 : 293 392 : 253 485 : 154 380
= 0, 3986743 : 0, 2515827 : 0, 2173626 : 0, 1323804
= 239, 20459 : 150, 94963 : 130, 41756 : 79, 42822.
Da die Stichprobe 600 AsB enthalten sollte, wurden die Zahlen in der letzten
Zeile geeignet gerundet. Dabei wurden die beiden Zahlen mit den größten Nach-
kommastellen aufgerundet und die beiden anderen abgerundet. Somit ergab sich
folgender Stichprobenplan:
Schicht Anzahl der zu ziehenden Einheiten

1 239
2 151
3 130
4 80
Gesamt 6 00
Aus der auf diese Weise gezogenen, geschichteten Varianz-optimalen Stich-

probe ergab sich eine Standardabweichung für den Mittelwertschätzer von 6, 19.
Damit ergibt sich eine Genauigkeit der Schätzung von 1, 96 · 6, 19 = 12, 13. Be-
trachtet man die gezogenen Einheiten hingegen als Ergebnis einer einfachen Zu-
fallsstichprobe, so ergibt sich eine Standardabweichung von 14, 08 und somit eine
Genauigkeit von 1, 96·14, 08 = 27, 60. Offensichtlich hat der Mittelwertschätzer
der geschichteten Stichprobe eine deutlich geringere Standardabweichung und ist
damit wesentlich genauer.
Auch wenn eine optimale Aufteilung erstrebenswert erscheint, so ist sie selten
realisierbar. Einerseits kann der Aufwand, Informationen über die nötigen Größen
Sh in Form einer Pilotstichprobe zu erhalten, ziemlich groß sein. Vielleicht wich-
tiger ist jedoch die Tatsache, dass die Optimalität sich auf lediglich ein Merkmal
bezieht. In einer Umfrage wird jedoch üblicherweise mehr als nur ein Merkmal er-
hoben. Somit kann eine Aufteilung zwar optimal bezüglich eines Merkmals sein, für
ein anderes simultan erhobenes Merkmal kann die Aufteilung jedoch nicht optimal
sein. Wegen dieses Dilemmas nimmt man in der Praxis üblicherweise Abstand von
einer optimalen Aufteilung und bevorzugt eine proportionale Aufteilung.
Herleitung: Wir zeigen, dass die Aufteilung (5.6) zur Minimierung der Varianz bei festem
Gesamtstichprobenumfang n führt. Man betrachte die Varianzformel (ohne den Korrekturfaktor
(Nh − n h )/(Nh − 1)) als Funktion von n h , h = 1, . . . , M, das heißt
M

Nh 2 Sh2
f (n 1 , . . . , n M ) = ,
N nh
h=1
M
wobei h=1 n h = n. Formuliert man die Nebenbedingung als Lagrange Multiplikator in funk-
M
tionaler Form g(n 1 , . . . , n M ) = h=1 n h − n so gilt es f (n 1 , . . . , n M ) + λ g(n 1 , . . . , n M ) zu
minimieren. Differentiation bezüglich n h und λ liefert
∂ f (n 1 , . . . , n M ) ∂λg(n 1 , . . . , n M )
O = +
∂n h ∂n h
1 Nh2 Sh2
=− +λ,
N 2 n 2h
wobei die Differentiation nach λ die Nebenbedingung liefert. Löst man die Gleichung nach n h
auf und beachtet die Nebenbedingung, so folgt
Nh Sh
nh = · n.

M
Nh
Sh
h
=1
Die Kontrolle der zweiten Ableitung zeigt, dass ein Minimum vorliegt.
Neben der Homogenität der einzelnen Schichten spielen die Kosten der Infor-
mationsgewinnung eine wichtige Rolle. So kann die Erhebung in den einzelnen
Schichten unterschiedlich teuer sein und es empfiehlt sich eine sogenannte Kosten-
optimale Aufteilung. Wir nehmen dazu an, dass die Kosten, um Information über
ein Individuum aus der h-ten Schicht zu erhalten, bei kh liegen, h = 1, . . . , M. Die
Gesamtkosten der geschichteten Stichprobe belaufen sich damit auf
K = k0 + k1 n 1 + . . . + k M n M ,
wobei k0 die Fixkosten des Verfahrens sind. Die Kosten-optimale Aufteilung ergibt
sich damit durch
• Kosten-optimale Aufteilung:
⎡ ⎤
⎢ ⎥
⎢ Nh Sh / kh ⎥
⎢ ⎥
n h,kostenopt = ⎢n ⎥. (5.7)
⎢
M ⎥
⎣
Nh
Sh
/ kh
⎦
h
=1
Die in der h-ten Schicht entstehenden Kosten sind dabei n h,kostenopt kh .

Herleitung: Wir gehen davon aus, dass die Gesamtkosten auf K fixiert sind und somit K −
k0 variable Kosten auf die Stichprobe aufgeteilt werden müssen. Ziel ist es, die Varianz bei
vorgegebenen Kosten zu minimieren, wobei wir wiederum den Korrekturfaktor (Nh −n h )/(n h −
1) vernachlässigen. Schreiben wir die Varianz als Funktion von n h , h = 1, . . . , M, so gilt es die
Funktion
M

Nh 2 Sh2
f (n 1 , . . . , n M ) =
N nh
h=1
zu minimieren unter der Lagrange-Bedingung λg(n 1 , . . . , n M ) mit g(n 1 , . . . , n M ) = K −

k0 − n 1 k1 − . . . − n M k M . Differenziert man f (n 1 , . . . , n M ) + λg(n 1 , . . . , n M ) bezüglich
n h , h = 1, . . . , M und λ, so erhält
√ man durch Nullsetzen der ersten Ableitung, dass n h,kostenopt
proportional sein muss zu Nh Sh / kh .
Neben den Kosten und der Varianz können unterschiedliche Rücklaufquoten

die Aufteilung des Stichprobenumfangs auf die Schichten bestimmen. Werden bei-
spielsweise Fragebögen per Post ausgeschickt, mit der Bitte den ausgefüllten Bogen
retour zu schicken, so werden nicht alle Angeschriebenen dieser Bitte nachkommen.

Die Bereitschaft, an der Umfrage teilzunehmen, kann dabei in den einzelnen Schich-
ten sehr unterschiedlich sein. Dabei kann es empfehlenswert sein, den Stichprobe-
numfang in den Schichten zu erhöhen, in denen mit einer geringen Rücklaufquote
gerechnet wird. Das Problem der unterschiedlichen Rücklaufquoten wird in Kap. 7
weiter diskutiert.
Beispiel 5.5: In einer Umfrage zur Beurteilung von Risiko und Erfolgsfakto-
ren von neuen Unternehmen wurde in der sogenannten Münchner Gründerstudie
(siehe Brüderl, Preisendörfer, & Ziegler 1992) eine Stichprobe aus Unternehmen
gezogen, die Mitte der 80er Jahre in München und Umgebung ihr Gewerbe ange-
meldet haben. Die Stichprobe wurde dabei Anfang der 90er Jahre gezogen und die
Unternehmensgründer wurden retrospektiv nach Erfolg oder Misserfolg befragt.
Da man davon ausgegangen ist, dass Unternehmer von gescheiterten Unterneh-
men, die in den ersten fünf Jahren Konkurs angemeldet haben, weniger Willens
sind, über ihren Misserfolg Auskunft zu geben als diejenigen, deren Unternehmen
noch aktiv ist, wurde die Population in zwei Schichten geteilt, die erfolgreichen
und die erfolglosen Unternehmen. Aus der letzteren Schicht wurden überpropor-
tional viele Unternehmen gezogen, um das erwartete zurückhaltende Antwortver-
halten auszugleichen.
Abschließend wollen wir einen theoretischen Vergleich der beiden Strategien

optimaler und proportionaler Aufteilung der geschichteten Stichprobe mit der ein-
fachen Zufallsstichprobe durchführen, um den Varianz reduzierenden Effekt auch
formelmäßig greifen zu können. Üblicherweise wird der Unterschied in der Varianz
der verschiedenen Mittelwertschätzer für designbasierte Verfahren auch als Design-
Effekt bezeichnet. Je größer dieser Effekt, desto geringer ist die Varianz des Schät-
zers, d.h. desto besser ist das entsprechende Stichprobendesign. Der Einfachheit
halber lassen wir den Korrekturfaktor für endliche Populationen bei den folgenden
Überlegungen unberücksichtigt. Somit sind die Überlegungen nur näherungswei-
se gültig und müssen bei kleinen Schichten modifiziert werden. Für die Varian-
zen der Schätzer der einfachen Zufallsstichprobe und der geschichteten Stichprobe
gilt:
S2
Var Ȳ E S ≈ ,
n

M
Nh 2 Sh2
Var Ȳ G S ≈ .
N nh
h=1
Wir setzen zur weiteren Berechnung

M im Folgenden gleiche Gesamt-
Stichprobenumfänge voraus, d.h. h=1 n h = n. Im Fall der proportionalen Auf-
teilung gilt:

M
Nh 2 Sh2
Var Ȳ G S,prop ≈ Nh
N
h=1 N n

1
Nh
M
= Sh2 . (5.8)
n N
h=1
In der Grundgesamtheit können wir die Gesamtvarianz S 2 wie folgt zerlegen:
M
Nh 2
N h
M
2
S = 2
S + Ȳh − Ȳ (5.9)
N h N
h=1 h=1
M
2
⇔ NS = 2
Nh Sh2 + Nh Ȳh − Ȳ .
h=1 h=1
Dies entspricht der Zerlegung, wie sie auch in der Varianzanalyse verwendet
wird. Die Gesamtvarianz (Sum of Squares Total) setzt sich zusammen aus der ge-
wichteten Summe der Varianzen innerhalb der Schichten (Sum of Squares Within)
und der Varianz zwischen den Schichten (Sum of Squares Between). Wir notieren
dies auch als
N S 2 = SST = SSW + SS B.
Die Varianz des geschichteten Schätzers hängt nur von der Varianz innerhalb der
Schichten ab und aus Formel (5.8) lässt sich der Design-Effekt direkt herleiten. Es
gilt:

Var Ȳ G S,prop SSW SSW
≈ = .

Var Ȳ E S SST SSW + SS B
Der Schätzer der geschichteten Stichprobe hat also generell eine kleinere Vari-
anz als der Schätzer der einfachen Zufallsstichprobe. Der Schichtungsgewinn lässt
sich durch das Verhältnis der Varianz innerhalb der Schichten zur Gesamtvarianz
quantifizieren. Dies entspricht dem schon erwähnten Schichtungsprinzip, also je
geringer die Streuung innerhalb der Schichten (SSW) im Vergleich zur Gesamtstreu-
ung (SST), desto besser ist die geschichtete Stichprobe im Vergleich zur einfachen
Zufallsstichprobe.
Für die optimale Aufteilung erhalten wir unter Berücksichtigung von
Nh Sh
nh = · n,

M
Nh
Sh
h
=1

M
Nh 2 Sh2
Var Ȳ G S,opt ≈
N nh
h=1
M

M
Nh 2 1
= Sh2 Nh
Sh
N n Nh Sh
h=1 h =1
M M
1
Nh
Nh
= Sh Sh
n N N
h=1 h
=1
M 2
1
Nh
= Sh .
n N
h=1
Damit lässt sich der Gewinn einer optimalen Aufteilung im Vergleich zur pro-
portionalen Aufteilung schreiben als:
2
1
Nh 2 1
M
M
Nh
Var Ȳ G S,prop − Var Ȳ G S,opt = S − Sh
n N h n N
h=1 h=1
1
Nh
M
2
= Sh − S̄ ,
n N
h=1
M Nh
mit S̄ = h=1 N Sh . Die Varianzreduktion ist folglich umso besser, je größer die
Streuung der Schicht-Standardabweichungen ist. Falls die Standardabweichungen
innerhalb der Schichten ähnliche Werte annehmen, so ist die proportionale Auftei-
lung annähernd optimal.
Die Berechnungen zur Varianz der Schätzer Ȳ G S,prop und
Ȳ G S,opt lassen sich
auch dazu nutzen, den Gesamtstichprobenumfang n aus einer Genauigkeitsanforde-
rung zu bestimmen. Dies kann z.B. bei der proportionalen Aufteilung mit Hilfe der
in Abschn. 2.8 diskutierten Methodik unter Verwendung der Formel (5.8) gesche-
hen. Auch hier ist die Kenntnis der Schichtvarianzen Sh nötig. Daraus ergeben sich
die Stichprobenumfänge der einzelnen Schichten nach Formel (5.5). In der Praxis
benötigt man in vielen Fällen zusätzlich auch Schätzungen für die Schichtmittel-
werte mit einer vorgegebenen Genauigkeit. In diesem Fall berechnet man zusätzlich
die nötigen Stichprobenumfänge für die einzelnen Schichten wie in Abschn. 2.8
beschrieben. Falls der benötigte Stichprobenumfang in einzelnen Schichten den der
proportionalen Aufteilung übersteigt, so wird dieser entsprechend erhöht.
5.1.3 A posteriori Schichtung

Generell bietet die geschichtete Stichprobe erhebliche Vorteile, wenn ein starker
Design-Effekt vorliegt, d.h. wenn die Streuung innerhalb der Schichten deutlich
geringer ist als die in der Grundgesamtheit. In manchen Fällen ist die Ziehung einer
geschichteten Stichprobe aber nicht möglich, da die Schichtzugehörigkeit in der

Grundgesamtheit nicht bekannt ist. Ebenso kann es vorkommen, dass die Stichpro-
be bedingt durch unterschiedliche Rücklaufquoten bezüglich bekannter Sekundär-
merkmale verzerrt ist. Beispielsweise kann es passieren, dass die Stichprobe einen
erhöhten Männeranteil aufweist. Dies gilt es zu korrigieren, was im Rahmen einer a
posteriori Schichtung möglich ist.
Beispiel 5.6: In einer Umfrage soll herausgefunden werden, wieviel Zeit pro
Woche Studenten im Rahmen ihres Studiums vor dem Rechner verbringen. Zu
diesem Zweck wird eine einfache Zufallsstichprobe gezogen. Bei der Auswer-
tung der Daten zeigt sich, dass ein deutlicher Geschlechtsunterschied besteht,
da männliche Studenten weitaus mehr Zeit vor dem Rechner verbringen als
ihre weiblichen Kommilitoninnen. Nehmen wir weiter an, dass der Anteil der
männlichen Studierenden bei 50% liegt, in der Stichprobe hingegen befinden
sich (bedingt durch die zufällige Auswahl) 60% Männer. Ignoriert man den ge-
schlechtsspezifischen Effekt, so wird die Zeit, die Studenten vor dem Rechner
verbringen, in diesem Fall möglicherweise überschätzt. Der Schätzer kann je-
doch unter Verwendung der Zusatzinformation zur Geschlechtsverteilung korri-
giert werden, wie wir nachfolgend demonstrieren werden.
Sofern man Informationen über die relativen Schichtgrößen Nh /N besitzt, kann

eine a posteriori Schichtung des Schätzers vorgenommen werden. Als a posteriori
geschichteten Schätzer definieren wir
M
Nh

Ȳ G S,post = ȳh , (5.10)
N
h=1
wobei ȳh wie gehabt der Mittelwert in der h-ten Schicht ist. Man beachte, dass nicht
die expliziten Schichtgrößen Nh , h = 1, . . . , M bekannt sein müssen, sondern nur
die relativen Schichtgrößen Nh /N .
A posteriori Schichtung ist auch bekannt als Umgewichtung und ein häufig ver-
wendetes Mittel in Befragungen. Typisch ist dabei die Verwendung von Merkmalen
wie Geschlecht, soziale Schicht oder Wohnort (Stadt/Land). Wir diskutieren diesen
Aspekt in Kap. 7 ausführlicher. Bei all diesen Merkmalen ist die Zusammensetzung
in der Grundgesamtheit bekannt. Inhaltlich entspricht die a posteriori Schichtung
einer Höhergewichtung der Individuen, die in der Stichprobe bezüglich der Schich-
tungsmerkmale unterrepräsentiert sind.
Wir wollen den Effekt von a posteriori Schichtung an unserem obigen Beispiel
demonstrieren. Wir ziehen hierzu eine einfache Zufallsstichprobe vom Umfang
n = 3 aus der bisherigen Population Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18
und Y5 = 22. Nachträglich wird nun eine a posteriori Schichtung vorgenommen,
wobei die Schichten als Schicht 1 mit den Individuen 1, 2 und 3 und Schicht 2
mit den Individuen 4 und 5 angenommen sind. Wir erhalten je nach Stichprobe die
folgenden Ergebnisse.
Gezogene Einheiten ȳ1 ȳ2

Ȳ G S,post
1 2 3 10 ? keine a posteriori Schichtung möglich,

da nur Beobachtungen aus Schicht 1
1 2 4 9,5 18 12,9
1 2 5 9,5 22 14,5
1 3 4 10 18 13,2
1 3 5 10 22 14,8
1 4 5 9 20 13,4
2 3 4 10,5 18 13,5
2 3 5 10,5 22 15,1
2 4 5 10 20 14,0
3 4 5 11 20 14,6
Es ergibt sich

E Ȳ G S,post = 14, Var Ȳ G S,post = 0, 55.
Es zeigt sich eine Reduktion der Varianz im Vergleich zur Varianz der einfachen
Zufallsstichprobe (Var( ȳ) = 4, 33, siehe oben). A posteriori Schichtung ist also in
diesem Beispiel sinnvoll.
Die allgemeine Berechnung der Eigenschaften des Schätzers Ȳ G S,post ist nicht
ganz einfach. Dies liegt daran, dass die Aufteilung der Stichprobe auf die Schichten
zufällig ist, denn die Schichtumfänge in den einzelnen Schichten wurden nicht vor
Stichprobenziehung explizit festgelegt, sondern ergeben sich erst im Nachhinein
mit der realisierten Stichprobe. Diese Zufälligkeit muss bei der Varianzschätzung
berücksichtigt werden. Weiter können wir das Horvitz-Thompson-Theorem hier
nicht anwenden, da die Gewichtung nicht durch die Auswahlwahrscheinlichkeiten,
sondern durch die Schichtgrößen in Stichprobe und Grundgesamtheit erfolgt.
Herleitung: Wir benötigen daher zur Analyse des Schätzers die Technik der bedingten Erwar-
tung und der bedingten Varianz.
Satz vom iterierten Erwartungswert
Seien Y und X zwei Zufallsvariablen mit endlichen Momenten, so gilt:
E Y (Y ) = E X (E Y (Y |X )) , (5.11)
VarY (Y ) = Var X (E Y (Y |X )) + E X (VarY (Y |X )) . (5.12)
Bei den folgenden Herleitungen bleiben die Fälle der Nicht-Existenz (d.h. mindestens eine
Schicht in der Stichprobe hat den Umfang 0) unberücksichtigt, da in einem solchen Fall die a
posteriori Schichtung nicht anwendbar ist.
Wir betrachten nun die M-dimensionale Zufallsgröße n = (n 1 , . . . , n M ), die die M Schich-
tumfänge in der Stichprobe charakterisiert. (Diese besitzt eine verallgemeinerte hypergeome-
trische Verteilung.) Wir berechnen nun den Erwartungswert von Ȳ G S,post bei gegebenem n. Es
gilt:

E Ȳ G S,post |n = Ȳ . (5.13)
Diese Eigenschaft folgt, da die Verteilung von Ȳ G S,post bei gegebenem n (unter der Annah-
me, dass alle Komponenten von n positiv sind) der Verteilung des Schätzers einer geschichteten
Stichprobe mit Aufteilung n entspricht. Da der geschichtete Schätzer (bei bekannten Schicht-
umfängen in der Stichprobe) erwartungstreu ist, folgt Formel (5.13). Damit gilt nach Formel
(5.11):

E Ȳ G S,post = En E Ȳ G S,post |n = En Ȳ = Ȳ .
Für die Varianz von Ȳ G S,post gilt:

Var Ȳ G S,post = Varn E Ȳ G S,post |n + En Var Ȳ G S,post |n

= En Var Ȳ G S,post |n
M

Nh 2 Nh − n h S 2
=E h
.
N Nh − 1 n h
h=1

Der erste Term in der Berechnung entfällt, da E Ȳ G S,post |n = Ȳ konstant ist. Der zweite
Term ist schwierig zu handhaben, da die Zufallsgrößen n h , h = 1, . . . , M im Nenner stehen. Es
lässt sich jedoch eine Approximation durch eine Taylorreihe angeben:
M
N − n
Nh 1 N − n
N − Nh
M
Var Ȳ G S,post ≈ · Sh2 + 2 · Sh2 . (5.14)
n·N N n N −1 N
h=1 h=1
Der erste Teil der Varianz ergibt sich als Varianz eines geschichteten Schätzers mit propor-
tionaler Aufteilung, d.h. n h = n · Nh /N . Der zweite Teil in obiger Varianzformel resultiert
aus der Tatsache, dass n h nicht fix gewählt ist, sondern sich zufällig ergibt. Man beachte, dass
E(n h ) = n Nh /N ist. Also ist im Mittel die zufällige Aufteilung proportional zur Schichtgröße
in der Population. Ein Vergleich von (5.14) und (5.3) zeigt, dass a posteriori Schichtung eine
höhere Varianz hervorruft als eine proportional aufgeteilte geschichtete Stichprobe. D.h. eine
(im vorhinein) geschichtete Stichprobe ist einer a posteriori geschichteten Stichprobe vorzu-
ziehen. Dennoch kann a posteriori Schichtung die Varianz des Schätzers im Vergleich zum
arithmetischen Mittel für einfache Zufallsstichproben reduzieren.
Obwohl der Ausdruck für die Varianz des Schätzers komplex ist, lässt er sich erwartungstreu
schätzen durch:

M
Nh 2 Nh − n h sh2
Var
Ȳ G S,post = . (5.15)
N Nh nh
h=1
Die Erwartungstreue folgt wieder aus dem Satz vom iterierten Erwartungswert:

E Var
Ȳ G S,post = En E Var
Ȳ G S,post |n = En Var Ȳ G S,post |n .
Die letzte Umformung ergibt sich aus der Erwartungstreue des Varianzschätzers in der ge-
schichteten Stichprobe.
Insgesamt können also für den Schätzer aus der nachträglich geschichteten Stichprobe die
Formeln des oben behandelten geschichteten Schätzers verwendet werden. Eine in der Literatur
vorgeschlagene Alternative ist die Verwendung von Formel (5.14), wobei Sh2 , h = 1, . . . , M
durch die entsprechenden Schätzer ersetzt wird.
A posteriori Schichtung
(Nachträgliche Schichtung)
Gegeben sei eine einfache Zufallsstichprobe und ein Schichtungsmerkmal.

Wir setzen voraus, dass mindestens zwei Elemente pro Schicht gezogen
wurden (dies ermöglicht es, die Varianzen in den Schichten zu schätzen)
und dass die relativen Schichtumfänge in der Grundgesamtheit
bekannt sind.
Ein unverzerrter Schätzer für den Mittelwert Ȳ der Population ist
M
Nh

Ȳ G S,post = ȳh ,
N
h=1
wobei ȳh der Mittelwert in der h-ten Schicht ist.
Die Varianz von

Ȳ G S,post lässt sich erwartungstreu schätzen durch

M
Nh 2 Nh − n h sh2
Var Ȳ G S,post = .
N Nh nh
h=1
Beispiel 5.7: Zur Illustration der nachträglichen Schichtung greifen wir auf
Beispiel 3.5.2 zurück. In der dort beschriebenen Studie sollte der mittlere In-
vestitionswert pro Teilnehmeranschlussleitung in einem großen Telefonnetz be-
stimmt werden. Dazu wurde das Telefonnetz in 7 319 Anschlussbereiche (AsB)
aufgeteilt. Aus diesen AsB wurde eine einfache Zufallsstichprobe vom Umfang
n = 287 gezogen. (Esergabsich daraus eine Schätzung von Ȳ E S = 465, 95 mit

einer Varianz von Var Ȳ E S = 434, 15.)
Nun soll der Mittelwertschätzer mit Methoden der nachträglichen Schichtung
geschätzt werden. Als geeignetes Schichtungsmerkmal wird die Leitungslänge
verwendet. Die Zuordung der gezogenen AsB zu den Schichten wurde wie in
Beispiel 3.5.2 nach folgender Tabelle vorgenommen.
Schichtdefinition über
Leitungslänge (LL) Standard-abweichung
Schicht in Metern Anzahl AsB in GG in Tausend
1 LL 8 Mio. 4 008 116
2 8 Mio. < LL 15 Mio. 1 667 176
3 15 Mio. < LL 26 Mio. 1 179 215
4 26 Mio. < LL 465 332
Gesamt 7 319

Um die Schätzungen Ȳ G S,post und Var
Ȳ G S,post zu erhalten, werden folgende
Größen aus der Stichprobe berechnet.
(zufällige)
Anzahl Relative Standard-
gezogener Anzahl AsB in Schicht-größen Mittelwert in abweichung
Schicht Schicht AsB n h der GG Nh Nh /N Tausend ȳh in Tausend sh
1 136 4 008 0,5476 206 116
2 69 1 667 0,2278 498 176
3 48 1 179 0,1611 669 215
4 34 465 0,0635 1 154 332
Gesamt 287 7 319 1 407,32
Damit ergibt sich
M
Nh

Ȳ G S,post = ȳh = 407, 32
N
h=1
und

M
Nh 2 Nh − n h sh2
Var
Ȳ G S,post = = 87, 09.
N Nh nh
h=1
Vergleicht man diese Schätzungen mit denjenigen des Regressionsschätzers

Ȳ R E G = 405, 67 und Var Ȳ R E G = 94, 01, so ergibt sich für beide Methoden
ein sehr ähnlicher Schätzwert für den Mittelwert und die Varianz. Dies lässt
sich dadurch erklären, dass im Prinzip ähnliche Zusatzinformation zur Schätzung
herangezogen wird. Bei der nachträglichen Schichtung wird die Kabellänge als
kategoriales Merkmal in 4 Ausprägungen genutzt, während sie beim Regressi-
onsschätzer direkt eingeht. In beiden Fällen wird die entsprechende Information
aus der Grundgesamtheit (Mittelwert der Kabellänge beim Regressionsschätzer
bzw. Häufigkeiten der Kategorien in der Grundgesamtheit bei der nachträglichen
Schichtung) genutzt.
5.1.4 Zusammenfassung
Fassen wir die wichtigsten Kriterien und Eigenschaften des geschichteten Schät-
zers nochmals zusammen, um der Wichtigkeit dieses Stichprobendesigns genü-
gend Rechnung zu tragen. Durch Schichtung kann die Varianz des Schätzers für
Ȳ reduziert werden. Voraussetzung für die Varianzreduktion ist, dass die einzelnen
Schichten bezüglich des zu erhebenden Merkmals recht homogen sind, einzelne
Schichten sich aber untereinander unterscheiden. Diese Eigenschaft hatten wir auch
als Schichtungsprinzip bezeichnet. Sind die Schichten definiert, gilt es den Stich-
probenumfang auf die Schichten aufzuteilen. Bei der Aufteilung sollte in größeren
Schichten und in Schichten mit größerer Merkmalsvariabilität ein größerer Stich-
probenumfang vorliegen. Die Vorteile der geschichteten Stichprobe können auch
im nachhinein genutzt werden. Auch wenn keine geschichtete Stichprobe durch-
geführt wurde, so kann eine a posteriori Schichtung von Vorteil sein. Vorausset-
zung ist hierbei, dass die relativen Schichtgrößen Nh /N in der Grundgesamtheit
bekannt sind.
5.2 Cluster-Stichprobe
5.2.1 Einfache Cluster-Stichprobe

Bei den bisher besprochenen Stichprobenverfahren haben wir angenommen, dass
der Zugriff auf einzelne Untersuchungseinheiten ohne Probleme möglich und
gleichzeitig kosteneffizient ist. Dies ist aber in der Praxis häufig nicht der Fall, wie
folgendes Beispiel zeigt.
Beispiel 5.8: Zur Bestimmung des Zigarettenkonsums von Hauptschülern in

der 8. Klasse soll eine Erhebung mit Hilfe von Fragebögen durchgeführt werden.
Bei der Ziehung einer Stichprobe ist es sehr aufwendig, einzelne Schüler direkt
auszuwählen. Voraussetzung hierfür wäre, dass eine Liste von Schülern der 8.
Klasse vorliegt, aus welcher dann zufällig Schüler gezogen und anschließend
befragt werden könnten. Eine derartige Liste ist jedoch selten vorhanden oder
wird aus Datenschutzgründen nicht zur Verfügung gestellt. Daher liegt es nahe,
5.2 Cluster-Stichprobe 161
die Untersuchung anders durchzuführen und jeweils ganze Klassen zu befragen.

In diesem Fall ist eine Zufallsauswahl von Schulklassen und nicht von Schülern
zu treffen.
Dem Beispiel folgend nehmen wir an, dass sich die Elemente der Grundgesamt-
heit (die Schüler) in natürlicher Weise in sich nicht überlappende Gruppen (die
Klassen) zusammenfassen lassen, die wir nachfolgend als Cluster oder Klumpen
bezeichnen. Die Idee der Cluster- oder Klumpenstichprobe besteht nun darin, eine
Zufallsstichprobe aus den Clustern zu ziehen und innerhalb der gezogenen Cluster
eine Vollerhebung durchzuführen. Die Ziehung findet somit nicht auf den Elemen-
ten der Population statt, sondern auf den Clustern. Schematisch ist dies in Abb. 5.2
gezeigt.
Das Vorgehen bei der Cluster-Stichprobe hat eine weitreichende praktische Kon-
sequenz. Die bisher besprochenen Verfahren der Zufallsauswahl basieren auf einer
Populationsliste, in der jeder Eintrag exakt einem Element der Grundgesamtheit ent-
spricht. Dies kann in praktischen Anwendungen sehr schwierig oder auch gar nicht
realisierbar sein. Erfolgt die Ziehung jedoch auf der Ebene der Cluster, so ist zur
praktischen Durchführung nur eine Liste der Cluster in der Population erforderlich.
Im obigen Beispiel ist es offensichtlich viel einfacher, eine Liste der Schulklassen
oder auch Schulen zu erhalten als eine Liste aller Schülerinnen und Schüler der
8. Klassen. Diese Einfachheit ist überzeugend, es ist aber festzustellen, dass Clu-
sterbildung nicht notwendigerweise zu einer genaueren Stichprobe im Sinne einer
reduzierten Varianz führt.
Abb. 5.2 Schematische Abbildung einer Cluster-Stichprobe (hier vom Umfang m = 1)

Um den Effekt der Cluster-Stichprobe auf die Varianz des Schätzers zu verdeut-
lichen, betrachten wir als Beispiel eine kleine Population bestehend aus N = 9
Elementen. Die Elemente Y weisen dabei folgende Werte auf:
1 3 5
1 3 5
1 3 5.
Eine einfache Zufallsstichprobe vom Umfang 3 liefert E( ȳ) = 3 und Var( ȳ) =
0, 67. Wir teilen nun die Population in Cluster auf, sprich in sich nicht überlappende
Gruppen. Nehmen wir beispielsweise die Zeilen der obigen Matrix als Cluster, so
erhalten wir die folgende Aufteilung:
Cluster 1: 1 3 5
Cluster 2: 1 3 5
Cluster 3: 1 3 5.
Gemäß dem Prinzip der Cluster-Stichprobe ziehen wir nun zufällig aus den 3
Clustern eine Stichprobe und führen in den gezogenen Clustern eine Vollerhebung
durch. Um auf einen Stichprobenumfang von 3 zu kommen sei hier exemplarisch
nur eins der drei Cluster gewählt. Unabhängig von der Wahl des Clusters erhalten
wir einen Schätzer für Ȳ mit dem Wert 3. Das heißt aber der resultierende Schät-
zer hat die Varianz 0. Eine Cluster-Stichprobe liefert somit ein deutlich genaueres
Ergebnis als eine einfache Zufallsstichprobe. Im Prinzip war die Wahl der Cluster
willkürlich und wir hätten auch die Cluster spaltenweise bestimmen können, als
gemäß
Cluster 1: 1 1 1
Cluster 2: 3 3 3
Cluster 3: 5 5 5.
Dem Prinzip der Cluster-Stichprobe folgend wählt man nun wieder zufällig (per
einfacher Stichprobe) ein Cluster aus und führt dann eine Vollerhebung durch. Als
Schätzer für Ȳ erhalten wir somit die Größen 1, 3 und 5, je nach gezogenem Clu-
ster, mit einer Wahrscheinlichkeit von je 1/3. Der Schätzer liefert damit im Mittel
den wahren Wert Ȳ = 3, jedoch mit einer Varianz von 2,66. Im diesem Fall ist
die Cluster Stichprobe schlechter als die einfache Zufallsstichprobe, sofern man die
Varianzen vergleicht.
Aus diesem zunächst nur beispielhaften Vergleich leiten wir das sogenann-
te Cluster-Prinzip ab. Eine Cluster-Stichprobe ist dann besonders effizient, wenn
die einzelnen Cluster jeweils näherungsweise ein Abbild der Grundgesamtheit
darstellen.
Clusterprinzip:
Cluster sollten so gewählt werden, dass Beobachtungen innerhalb eines

Clusters so heterogen wie möglich sind, sich einzelne Cluster aber
so wenig wie möglich voneinander unterscheiden.
Beispiel 5.9: Die Stadt Haßloch in Rheinland-Pfalz dient als Test- und Pro-
bemarkt für neue Produkte, die deutschlandweit auf den Markt kommen sollen
(vergleiche auch Süddeutsche Zeitung vom 29.01.2005). Von den knapp 10 000
privaten Haushalten in Haßloch sind ca. 3 000 registriert und nehmen an der
Studie teil. Die Gesellschaft für Konsumforschung betreibt seit 1988 in Haß-
loch einen Testmarkt. Bei jedem Einkauf legen die registrierten Haushalte eine
Chipkarte vor, und es wird registriert, welche Produkte gekauft werden. Eben-
so wird in Haßloch lokal geworben, so dass Fernsehspots für ein neues Produkt
nur in Haßloch gezeigt werden. Damit kann getestet werden, ob für ein Produkt
hinreichend Nachfrage besteht, bevor es, gegebenenfalls deutschlandweit auf den
Markt gebracht wird. Die Auswahl der 3 000 registrierten Einwohner wurde dabei
so vorgenommen, dass diese etwa der Population der Bundesrepublik entspre-
chen, was Altersstruktur und sonstige Merkmale betrifft. Haßloch kann somit als
Cluster-Stichprobe (vom Umfang 1) angesehen werden.
Beachtet werden sollte, dass das Clusterprinzip das Gegenteil zum Schichtungs-
Prinzip bildet. Genau hier liegt jedoch auch eine Schwierigkeit des Verfahrens.
Cluster werden häufig als lokale Gruppen gewählt, seien es beispielsweise Stra-
ßenzüge, Gemeinden oder Schulen wie im Eingangsbeispiel. Einzelne Straßenzüge,
Gemeinden oder Schulen sind damit im Sinne einer Cluster-Stichprobe zu ziehen
und, wenn gezogen, per Vollerhebung aufzunehmen. Hierbei ist jedoch kritisch zu
hinterfragen, ob die so gewählten Cluster dem Cluster-Prinzip entsprechen. Es ist
eher anzunehmen, dass die Bewohner einer Straße homogen sind, wohingegen die
Straßen einer Stadt von Seiten der Bevölkerungsstruktur her heterogen sind. Ebenso
sind Gemeinden (oder Schulen) in sich homogen und unterscheiden sich von ande-
ren Gemeinden (oder Schulen). Die praktischen Vorteile einer Cluster-Stichprobe
können somit in Widerspruch zum Clusterprinzip stehen, was bedeutet, dass bei der
Durchführung einer Cluster-Stichprobe nicht mit einer Varianzreduktion im Ver-
gleich zur einfachen Stichprobe mit gleichem Stichprobenumfang gerechnet wer-
den kann. Daher wird das Design der Cluster-Stichprobe vor allem aufgrund der
einfachen Umsetzbarkeit gewählt.
Zur Herleitung der Schätzer für eine Cluster-Stichprobe benötigen wir die fol-
gende Notation.
Cluster-Stichprobe
Die Population wird in M sich nicht überlappende Gruppen zerlegt.

Diese werden Cluster genannt und enthalten jeweils Nh Elemente.
Aus den M Clustern werden m Cluster in Form einer einfachen Zufallsstich-
probe gezogen und es wird in diesen eine Vollerhebung durchgeführt.
Größe Bedeutung
In der Population:
M Anzahl der Cluster in der Population

Nh , h = 1, . . . , M Anzahl der Elemente im h-ten Cluster
M
N̄ = N /M durchschnittliche Clustergröße in der Population
Yhi , i = 1, . . . , Nh Variable oder Merkmal des i-ten Merkmalsträgers

im h-ten Cluster
Nh
Ȳh = 1
Nh i=1 Yhi Mittelwert der Variablen im h-ten Cluster
Nh
YT,h = i=1 Yhi = N h Ȳh Summe (Totale) der Variablen im h-ten Cluster
M
ȲT,· = 1
M h=1 YT,h Mittelwert der Clustersummen
In der Stichprobe:
m Anzahl der Cluster in der Stichprobe

Nl , l = 1, . . . , m Anzahl der Elemente im l-ten gezogenen Cluster
m
n = l=1 Nl Gesamt-Stichprobenumfang
n̄ = n/m durchschnittliche Clustergröße in der Stichprobe
yli , i = 1, . . . , Nl Variable oder Merkmal des i-ten Merkmalsträgers

im l-ten gezogenen Cluster
Nl
ȳl = 1
Nl i=1 yli Mittelwert der Variablen im l-ten gezogenen Clu-
ster
Nl
yT,l = i=1 yli = Nl ȳl Summe (Totale) der Variablen im l-ten gezogenen
Cluster
m
ȳT,· = 1
m l=1 yT,l Mittelwert der Clustersummen
Wir berechnen zunächst die Mittelwertschätzung nach dem Horvitz-Thompson-

Theorem. Dabei verwenden wir, dass die Auswahlwahrscheinlichkeit πli eines
einzelnen Elements der Auswahlwahrscheinlichkeit des entsprechenden Clusters
entspricht. Bei m ausgewählten Clustern aus den M Clustern der Population ergibt
sich für alle Elemente die Auswahlwahrscheinlichkeit m/M. Der Cluster-Schätzer
lässt sich somit wie folgt herleiten:
M 1
M 1
m Nl m Nl m Nl m
yli M
Ȳ C L = = yli = yli = yT,l .
N πli N m N m N m
l=1 i=1 l=1 i=1 l=1 i=1 l=1
Der Schätzer kann auch auf eine andere Art motiviert werden, welche zum Ver-
ständnis des Cluster-Schätzers sehr nützlich ist. Wir können das Populationsmittel
Ȳ auch schreiben als
M Nh M
M
Ȳ = Yhi = YT,h = ȲT,· ,
N N N
h=1 i=1 h=1
wobei ȲT,· der Mittelwert der Clustersummen (Clustertotalen) YT,h ist. Wir können
also das Populationsmittel als Mittelwert der Clustersummen schreiben. Mit diesem
kleinen Trick sind wir in der Lage, die Theorie der einfachen Zufallsstichprobe
und damit die Ergebnisse aus Abschn. 2.5 anzuwenden. Wir betrachten dazu die
Grundgesamtheit der M Cluster und als Merkmal des h-ten Clusters die Cluster-
summen YT,h . Da unsere mStichprobenziehung auf der Ebene der Cluster erfolgt, kön-
nen wir ȲT,· durch m1 l=1 yT,l direkt schätzen. Daraus ergibt sich unmittelbar der
Schätzer:
m
yT,l
M l=1 M
Ȳ C L = = ȳT,· . (5.16)
N m N
Wir bezeichnen den Schätzer nachfolgend auch als einfachen Cluster-Schätzer,

um ihn abzugrenzen von komplexeren Schätzern, die auf dem Clusterprinzip auf-
bauen. Die Varianz von Ȳ C L kann ebenfalls direkt mit den Ergebnissen der einfa-
chen Zufallsstichprobe berechnet werden, indem wir YT,h als Merkmal auffassen.
Es gilt:
M2 M2 M − m 1 1

M
2
Var Ȳ C L = 2 Var( ȳT,· ) = 2 YT,h − ȲT,· . (5.17)
N N M −1 m M
h=1
Wir erhalten daraus entsprechend die geschätzte Varianz:

M2 M − m 1
m
2
Var Ȳ C L = 2 yT,l − ȳT,· . (5.18)
N M m (m − 1)
l=1
Man kann die beiden obigen Formeln auch direkt aus dem Horvitz-Thompson-
Theorem herleiten, was allerdings von der Notation her etwas komplizierter ist.
Cluster-Stichprobe
Die Population sei in M sich nicht überlappende Cluster aufgeteilt.

Gezogen wird eine einfache Zufallsstichprobe von m Clustern.
Ein erwartungstreuer Schätzer für den Mittelwert Ȳ der Population

ist gegeben durch den einfachen Cluster-Schätzer
m
yT,l
M M l=1
Ȳ C L = ȳT,· = ,
N N m
wobei yT,l die Clustersumme (Totale) des l-ten gezogenen Clusters bezeichnet.
Die Varianz von

Ȳ C L kann geschätzt werden durch
M2 M − m 1
m
2
Var Ȳ C L = 2 yT,l − ȳT,· .
N M m (m − 1)
l=1
Wir wollen nun die theoretischen Eigenschaften der Cluster-Stichprobe näher

beleuchten. Dazu wollen wir die Cluster-Stichprobe mit der einfachen Zufallsstich-
probe vergleichen. Wir nehmen der Einfachheit halber gleiche Clustergrößen an,
also N1 = N2 = . . . = N M , woraus Nh = N /M folgt. In diesem Fall ergibt sich
der einfache Cluster-Schätzer zu
m
yT,l
1
m
M l=1
Ȳ C L = = yT,l = ȳ .
N m N1 m
l=1
Der Cluster-Schätzer ist also genau das arithmetische Mittel der Beobachtungen.
Für die Varianz ergibt sich unter Berücksichtigung der gleichen Clustergrößen
1 M − m 1 1

M
2
Var Ȳ C L = 2 YT,h − ȲT,·
N1 M − 1 m M h=1
M − m 1 1

M
2
= Ȳh − Ȳ
M −1 m M
h=1
M −m 1 1
M
2
= N1 Ȳh − Ȳ
M −1 m N
h=1
M −m 1 1
= SS B.
M −1 m N
Dabei ist SS B die Quadratsumme zwischen den Clustern, siehe dazu auch
Formel (5.9), die bei der geschichteten Stichprobe als Quadratsummenzerlegung
verwendet wurde. Wir vergleichen nun die Varianz der Cluster-Stichprobe mit der
Varianz der einfachen Zufallsstichprobe bei gleichem Stichprobenumfang n = m N1
und erhalten
N −n 1 1
Var Ȳ E S = SST.
N − 1 m N1 N
Ein Vergleich der beiden Varianzen ergibt

Var Ȳ C L
M − m M N 1 − m N1

SS B
= : · N1
Var Ȳ E S M −1 M N1 − 1 SST

M −m M N1 − 1 SS B
= · · N1
M − 1 M N1 − m N 1 SST

M N1 − 1 SS B
=
M −1 SS B + SSW
SS B
≈ N1 . (5.19)
SS B + SSW
Aus der Formel (5.19) erkennt man deutlich den sogenannten Design-Effekt der
Cluster-Stichprobe. Es zeigt sich, dass je kleiner die Varianz zwischen den Clustern
ist, d.h. je kleiner SSB, desto effizienter ist die Anwendung des Cluster-Schätzers.
Dies entspricht aber genau dem oben formulierten Cluster-Prinzip. Weiter nimmt
die Effizienz bei steigender Clustergröße ab. Bei dem aufgestellten Vergleich ist
allerdings zu beachten, dass die Kosten für eine einfache Zufallsstichprobe in der
Regel sehr viel höher sind als die einer Cluster-Stichprobe vom gleichen Umfang
und wir hier Kostengesichtspunkte unberücksichtigt gelassen haben.
Aus Formel (5.17) erkennt man, dass die Varianz des einfachen Cluster-Schätzers
von der Varianz der Clustersummen in der Grundgesamtheit abhängt. Da die Clu-
stersummen im Gegensatz zu den Clustermittelwerten stark von den Clustergrößen
abhängen, ist der einfache Cluster-Schätzer für stark ungleiche Clustergrößen nicht
notwendigerweise optimal. In diesem Fall sollten alternative, modellbasierte Schät-
zer bzw. das PPS-Design gewählt werden, wie wir in den folgenden Abschnitten
vorstellen werden.
5.2.2 Modellbasierter Cluster-Schätzer

Bei den bisher behandelten einfachen Cluster-Schätzern haben wir die Sekundärin-
formation über die Clustergrößen unberücksichtigt gelassen. Dies ist gerechtfertigt,
wenn die einzelnen Cluster gleiche oder annähernd gleiche Größe haben. Bei variie-
renden Clustergrößen kann die Größe des Clusters jedoch als Sekundärinformation
genutzt werden, um die Varianz des Schätzers zu reduzieren. Voraussetzung dafür
ist, dass die durchschnittliche Clustergröße N̄ = N /M bekannt ist. Damit können
wir die Clustergröße modellbasiert als Sekundärinformation nutzen und den einfa-
chen Cluster-Schätzer verbessern. Die zugrundeliegende Idee ist dabei folgende:
Der Cluster-Schätzer (5.16) setzt sich als Summe der Clustersummen yT,l zusam-
Nl
men. Dabei ist yT,l definiert als Summe von Nl Summanden, d.h. yT,l = i=1 yli ,
und es legt das Modell nahe, dass yT,l größere Werte annimmt, wenn die Cluster-
größe Nl groß ist. Diese Grundüberlegung liefert genau den Quotientenschätzer,
wie wir ihn in Abschn. 3.2 kennengelernt haben. Das Modell ist dabei, dass YT,h
annähernd proportional zu Nh ist, d.h.
YT,h ≈ R Nh ,
mit R als Proportionalitätsfaktor gegeben durch
Nh
YT,h Yhi
h=1 h=1 i=1
R= = = Ȳ .

M N
Nh
h=1
Damit kann die Schätzung von Ȳ als Schätzung von R betrachtet werden. Wir
können also den in Abschn. 3.2 eingeführten Quotientenschätzer nutzen und erhal-
ten den Quotienten-Cluster-Schätzer
m
yT,l
=
Ȳ C L ,Q S = R
l=1
= ȳ. (5.20)

m
Nl
l=1
Der Schätzer vereinfacht sich zum einfachen arithmetischen Mittel der gezo-
genen Elemente der Stichprobe, welches somit auch als Schätzer für die Cluster-
Stichprobe geeignet ist. Da alle Elemente bei der einfachen Cluster-Stichprobe die
gleiche Auswahlwahrscheinlichkeit haben, ist dies auch plausibel. Allerdings ist der
Quotientenschätzer nicht erwartungstreu, wie schon in Abschn. 3.2 gezeigt wurde.
Die Verzerrung ist jedoch vernachlässigbar, sofern die Anzahl der gezogenen Clu-
ster groß ist. Als Varianz ergibt sich näherungsweise
1 M −m 1

M
2
Var Ȳ C L ,Q S ≈ 2 YT,h − Nh Ȳ .
N̄ M − 1 m M h=1
2
Aus der Formel erkennt man, dass die Varianz von den Termen YT,h − Nh Ȳ =
2
Nh2 Ȳh − Ȳ abhängt. Damit ist für den Quotienten-Cluster-Schätzer die Varianz
der Clustermittelwerte und nicht wie beim einfachen Cluster-Schätzer die Varianz
der Clustersummen von Bedeutung. Man hat somit den Effekt ungleicher Cluster-
größen bereinigt. Die Varianz kann geschätzt werden durch
1 M −m 1
m 2
Var
Ȳ C L ,Q S = yT,l − Nl
Ȳ C L ,Q S . (5.21)
N̄ 2 M m (m − 1)
l=1
Cluster-Stichprobe bei ungleicher Cluster-Größe
Gegeben sei eine einfache Zufallsstichprobe der Clustersummen yT,l ,

l = 1, . . . , m, berechnet aus m Clustern der Größe Nl , l = 1, . . . , m.
Der Cluster-Schätzer unter Ausnutzung der Clustergröße ist gegeben durch
m
yT,l

Ȳ C L ,Q S = l=1
.

m
Nl
l=1
1 M −m 1
m 2
Var
Ȳ C L ,Q S = 2 yT,l − Nl
Ȳ C L ,Q S ,
N̄ M m (m − 1)
l=1
mit N̄ = N /M.
Falls N̄ unbekannt ist, wird es durch den Stichprobenwert
1
m
n̄ = Nl
m
l=1
ersetzt.
Bei der Schätzung in Formel (5.20) sind keine Informationen zu der Cluster-
größe in der Grundgesamtheit erforderlich. Allerdings wird zur Varianzschätzung
in Formel (5.21) die durchschnittliche Clustergröße N̄ benötigt. In der Praxis kann
es aber vorkommen, dass diese nicht bekannt ist, beispielsweise wenn man bei ei-
ner Erhebung von Schulklassen zwar die Anzahl der Klassen kennt, aber nicht die
Gesamtzahl der Schüler. In diesem Fall wird dann in der Formel (5.21) die durch-
schnittliche Clustergröße
m in der Grundgesamtheit durch die entsprechende Schät-
zung n̄ = m1 l=1 Nl aus der Stichprobe ersetzt.
5.2.3 Designbasierter Cluster-Schätzer

Mit dem oben behandelten Quotienten-Cluster-Schätzer haben wir die Sekundärin-
formation der Clustergröße modellbasiert genutzt, um den einfachen Quotienten-
schätzer zu verbessern, sprich seine Varianz zu verkleinern. Ebenso können wir
die Sekundärinformation designbasiert nutzen. Da bei der Cluster-Stichprobe die
Merkmalssumme wesentlich in die Schätzung eingeht, orientiert man sich bei der
Wahl eines alternativen Designs an ihr. Als Hilfsmerkmal dafür ist wiederum die
Clustergröße geeignet. Wir wählen also ein Design, bei dem die Auswahlwahr-
scheinlichkeiten proportional zur Clustergröße sind:
Nl
πl = m .
N
Voraussetzung ist hierbei, dass die Clustergröße je Cluster bekannt ist. Außerdem
gehen wir davon aus, dass πl < 1 für alle Cluster gilt. Durch die Stichprobe er-
hält man die Beobachtungen yT,1 , . . . , yT,m , also die Clustertotalen der gezogenen
Cluster. Diese werden dem Horvitz-Thompson Ansatz folgend genutzt und man
erhält den designbasierten Cluster-Schätzer
M 1
yT,l 1
yT,l 1
m m m

Ȳ C L ,P P S = = = ȳl .
N M πl m Nl m
l=1 l=1 l=1
Das Design ist in diesem Fall eine größenproportionale Ziehung (PPS-

Stichprobe, probabilities proportional to size). Zur Berechnung der Varianz des
Schätzers benötigt man die paarweisen Auswahlwahrscheinlichkeiten
πl,k = Wahrscheinlichkeit, dass Cluster l und k gezogen werden.
In direkter Anwendung des Horvitz-Thompson-Schätzers folgt dann, dass die

Varianz geschätzt werden kann durch
m
1
1 − πl
m
m
π − π π
Var
l,k l k
Ȳ C L ,P P S = 2 2
yT,l + yT,l yT,k .
N πl
2 πl,k πl πk
l=1 l=1 k=1
l=k
Des Weiteren können die modifizierten Varianzschätzer zum Einsatz kommen,

wie sie Abschn. 4.1 vorgestellt worden sind.
Beispiel 5.10: In einem Bundesland soll das Durchschnittseinkommen der Bür-

ger mit Hilfe einer Stichprobe geschätzt werden, wobei das Steueraufkommen bei
den Finanzämtern als Approximation für das Einkommen der Bürger herangezo-
gen werden soll. Dazu soll eine Cluster-Stichprobe verwendet werden, bei der
die einzelnen Kreise und Bezirke des Bundeslandes die Cluster bilden. Eine ein-
fache Cluster-Stichprobe ordnet jedem Kreis als Cluster die gleiche Wahrschein-
lichkeit zu, gezogen zu werden. Zur Berechnung des Cluster-Schätzers wird auf
Nl
yT,l = i=1 yli zurückgegriffen. Das bedeutet aber, dass große Kreise und Bezir-
M
ke einen größeren Beitrag zur Gesamtsumme YT,· = h=1 YT,h leisten als kleine
Kreise. Anders ausgedrückt, große Bezirke sind informativer, was inhaltlich nach-
vollziehbar ist. Ein bevölkerungsreicher Bereich liefert mehr Information als ein
spärlich bewohnter Landkreis. Basierend auf den Ideen des Horvitz-Thompson-
Schätzers bietet es sich daher an, größere, sprich bevölkerungsreiche Bezirke mit
einer größeren Wahrscheinlichkeit zu ziehen als kleinere. Das ist realisierbar mit
einer größenproportionalen Cluster-Stichprobe.
Cluster-Stichprobe bei größenproportionaler Ziehung
Gegeben sei eine größenproportionale Ziehung der Cluster

mit den Auswahlwahrscheinlichkeiten
πl = m NNl
und den paarweisen Auswahlwahrscheinlichkeiten πl,k . Damit ist der

Cluster-Schätzer gegeben durch
m

Ȳ C L ,P P S = ȳl ,
m
l=1
Nl
mit ȳl = i=1 yli /Nl .

m
1
1 − πl 2
m
πl,k − πl πk

Var Ȳ C L ,P P S = 2 yT,l + yT,l yT,k .
N πl2 πl,k πl πk
l=1 l=1 k=1
l=k
5.2.4 Cluster-Stichprobe und systematische Stichprobe

Wie wir anfangs schon erwähnt hatten, handelt es sich bei der systematischen Stich-
probe genau genommen um eine Cluster-Stichprobe vom Umfang m = 1. Die Clu-
ster bestehen jeweils aus den Elementen
{Y j+(k−1) p | k ∈ N} ,
wobei p = N /n als ganzzahlig angenommen wird und j aus einer Gleichvertei-

lung der Werte 1 bis p zufällig gezogen wird. Als Stichprobe ergibt sich somit
Y j , Y j+ p , . . . , Y j+(n−1) p . Es ist zwar nicht möglich, die Varianzschätzung nach der
Theorie der Cluster-Stichprobe durchzuführen, aber die Effizienzüberlegungen gel-
ten auch für die systematische Stichprobe. Im Wesentlichen ist die systematische
Stichprobe besonders geeignet, wenn die interne Clustervarianz hoch ist. Wenn die
Anordnung keine Periodizitäten aufweist, sollte dies meist der Fall sein.
5.3 Beispiel
5.3.1 Geschichtete Stichprobe

Noch bevor im Jahr 2008 in gesamt Nordrhein-Westfalen das Rauchen in öffent-
lichen Gebäuden generell verboten wurde, hat die Universität Bielefeld im Früh-
jahr 2007 ein Rauchverbot ausgesprochen, weil eine Umfrage ergeben hat, dass
sich 67,5% der Uni-Nutzer eine rauchfreie Universität wünschen. Als Uni-Nutzer
wurden drei Gruppen (Schichten) definiert, nämlich Studierende, wissenschaftli-
ches Personal und nicht-wissenschaftliches Personal. Als Populationsliste lag eine
Datei mit Email-Adressen mit N = 18 211 Einträgen vor, die in den drei Schichten
folgende Anzahl von Nutzern umfasste.
• N1 = 15 201 Studierende
• N2 = 2 003 wissenschaftliches Personal
• N3 = 1 007 nicht-wissenschaftliches Personal
Wir benutzen die Email-Daten im Folgenden als Stichprobenliste und ignorieren

Individuen, die ihre Emailadresse nicht hinterlegt haben. Der Stichprobenumfang
wurde basierend auf der gewünschten Genauigkeit der Studie auf 700 berechnet.
Zur Ausgleichung von Fehlläufen beim Emailversand und Personen, die nicht an
der Umfrage teilnehmen, wurde der realisierte Stichprobenumfang erhöht und auf
1 150 festgesetzt. Die Stichprobe wurde ungefähr proportional auf die Schichten
aufgeteilt, so dass sich ein geplanter Stichprobenumfang von 900, 150 und 110 je
Schicht ergab. Den ausgewählten Personen wurde online ein Fragebogen mit perso-
nifizierten Transaktionsnummern (TAN) per Email zugestellt, wobei die TAN garan-
tierte, dass jedes angeschriebene Individuum nur einen Fragebogen online absenden
5.3 Beispiel 173
konnte. Die letztendlichen Rücklaufquoten und damit realisierten Stichprobenum-

fänge lagen bei
• n 1 = 401 Studierende
• n 2 = 65 wissenschaftliches Personal
• n 3 = 58 nicht-wissenschaftliches Personal
Das Gesamtergebnis in Bezug auf die gestellte Frage des Rauchverbots ergab
sich wie folgt.
Anteil der Befragten Stichprobenumfang

für Rauchverbot
Studierende 68,1% 401
Wissenschaftliches Personal 69,2% 65
Nicht-wissenschaftliches Personal 55,2% 58
Damit ergibt sich der geschichtete Schätzer für den Anteil der Uni-Nutzer, die
ein Rauchverbot präferieren, gemäß
15 201 2 003 1 007

Ȳ G S = 68, 1% · + 69, 2% · + 55, 2% · = 67, 5%.
18 211 18 211 18 211
Die Varianz des Schätzers ergibt sich nach Formel (5.3), wobei, basierend auf
dem binären Merkmal

1 wenn i-tes Individum in h-ter Schicht für Rauchverbot
Yhi =
0 sonst
Sh2 durch Sh2 = Ȳh (1 − Ȳh ) berechnet werden kann. Daraus ergibt sich das 99%-
Konfidenzintervall für den Anteil der Rauchverbotbefürworter zu [62, 73%].
Die Auswertung der Studie kann nun in verschiedener Weise hinterfragt werden.
Die geringe Rücklaufquote beispielsweise ist durchaus problematisch, da von den
900 angeschriebenen Studierenden nur 401 (also 44,6%) geantwortet haben. Dies
gilt insbesondere dann, wenn die Bereitschaft zum Antworten mit dem Zielmerk-
mal (Frage) zusammenhängt. Es ist denkbar, dass die Antwortbereitschaft und die
Beantwortung der Frage vom Rauchverhalten des Befragten abhängt. Ein Raucher
mag dazu neigen, ein Rauchverbot weniger attraktiv zu finden als ein Nichtraucher.
Deshalb wurde in dem Fragebogen zusätzlich die Frage gestellt, ob der/die Befragte
raucht. Als Ergebnis erhielt man, dass 17,3% der Individuen der Stichprobe Raucher
waren, 23% waren Ex- bzw. Gelegenheitsraucher und 59,7% Nichtraucher. Will
man diese Daten zur Korrektur des Schätzers im Sinne einer a posteriori Schichtung
nutzen, so benötigt man die relativen Schichtgrößen von Rauchern/Nichtrauchern an
der Universität Bielefeld. Diese sind nicht bekannt, weshalb eine exakte a posteriori
Schichtung nicht möglich ist.
Basierend auf dem Mikrozensus 2005 sind jedoch Daten des statistischen Bun-
desamtes verfügbar, wonach 54% der Bevölkerung über 15 Jahre Nichtraucher,
19% Ex- bzw. Gelegenheitsraucher und 27% Raucher sind (Statistisches Bundesamt
Deutschland 2006). Dies legt nahe, dass die Raucher und Ex- und Gelegenheitsrau-
cher in der Stichprobe unterrepräsentiert sind. Auch wenn eine Korrektur basierend
auf den Daten des statistischen Bundesamtes ungenau erscheint, da sich die beob-
achtete Raucherquote bei wissenschaftlichem und nicht-wissenschaftlichem Perso-
nal deutlich unterscheidet, wollen wir dennoch einen Schätzer ausrechnen. Berück-
sichtigt man, dass die Raucher (inklusive Ex- und Gelegenheitsraucher) als Gruppe
zu 42,9% für ein Rauchverbot und die Nichtraucher zu 82,5% für ein Rauchverbot
sind, so ergibt sich nach dem Prinzip der nachträglichen Schichtung ein Schätzer
für den Anteil der Rauchverbotbefürworter gemäß

Ȳ G S = 82, 5% · 0, 54 + 42, 9% · (0, 27 + 0, 19) = 64, 3%.
Somit scheint das ursprüngliche Ergebnis von 67.5% eher Nichtraucher freund-
lich, aber selbst unter Berücksichtigung der (aus genannten Gründen sehr groben)
Korrektur wird der Anteil der Rauchverbotsbefürwortet auf über 60% geschätzt.
Basierend auf diesen Überlegungen wurde ein sofortiges Rauchverbot an der Uni-
versität Bielefeld umgesetzt.
5.3.2 Cluster-Stichprobe
Im Rahmen des Programms „Jedem Kind sein Instrument“ (www.jedemkind.de)
soll jedem Grundschulkind des Ruhrgebiets die Möglichkeit offen stehen ein Mu-
sikinstrument zu erlernen. Im Schuljahr 2009/10 sollen 27 700 Erstklässler in das
Programm aufgenommen werden. Im Rahmen eines Forschungsprojektes soll der
Erfolg und die Akzeptanz des Projektes beurteilt werden. Hierzu soll eine Stich-
probe gezogen werden und es sollen Eltern von Kindern im Programm einen Fra-
gebogen beantworten. Da eine Liste der Eltern rein aus Datenschutz rechtlichen
Gründen nicht vorliegt, wird zur Stichprobenziehung auf eine Cluster-Stichprobe
zurückgegriffen. Statt die Eltern als Stichprobenliste zu betrachten, wird eine Stich-
probenliste aus den beteiligten Schulen gezogen. Im Jahr 2009/10 sind dies 522 im
Programm kooperierende Grundschulen. Die Grundschulen selbst werden anschlie-
ßend per Vollerhebung erfasst, sprich alle Eltern der ausgewählten Schulen erhalten
einen Fragebogen zur Beteiligung an der Stichprobe. Die Ziehung der Schulen kann
daher als einfache Zufallsstichprobe vollzogen werden. Genauere Ergebnisse kön-
nen erzielt werden, wenn man berücksichtigt, dass verschiedene Grundschulen eine
recht unterschiedliche Zusammensetzung und Sozialstruktur von Schülern haben.
Als Information je Schule kann die Übergangsquote zum Gymnasium genutzt wer-
den, das heißt der Anteil der Schüler, die nach der Grundschule zum Gymnasium
bzw. zu einer äquivalenten Schule gehen. Diese Quote kann genutzt werden, um
Schichten zu bilden und die Schulen, je nach Quote, in die Schichten einzuteilen und
sodann die Schulen (Cluster) als geschichtete Stichprobe zu ziehen. Alternativ kann
die geographische Lage der Schulen genutzt werden, oder die Größe der Schule,
wie in Abschn. 5.2 dargestellt.
5.4 Literatur
Die geschichtete Stichprobe und die Cluster-Stichprobe werden in fast allen ein-
schlägigen Lehrbüchern ausführlich behandelt, siehe z.B. Levy und Lemeshow
(1999) oder Lohr (1999). Weitere theoretische Aspekte und Details insbesondere
zu design-basierten Clusterverfahren finden sich in Särndal, Swenson und Wretman
(1992). Neuere Aspekte wie z.B. die sogenannte adaptive Cluster-Stichprobe (Ad-
aptive Cluster Sampling) werden von Thompson (2002) diskutiert. Hierbei geht es
um räumliche Stichproben, bei denen z.B. nach bestimmten Schadstoffen in einer
Fläche gesucht wird. Zuerst wird eine einfache Zufallsstichprobe gezogen und falls
in einem Planquadrat eine hohe Konzentration gefunden wird, wird ein Cluster rund
um diesen Punkt gezogen. Da hier die Ziehung weiterer Einheiten von dem Ergebnis
vorheriger Ziehungen abhängt, spricht man von adaptiven Stichprobenverfahren.
Diese erfordern spezielle Strategien der Auswertung, die von Thompson (2002)
ausführlich dargestellt werden.

Für den geschichteten und den Cluster-Schätzer empfehlen wir die Verwendung
des Paketes survey in R, siehe auch Lumley (2010). Nach Installation und La-
den des Pakets sind die nachfolgend beschriebenen Programme nutzbar und erlau-
ben damit die praktische Umsetzung der vorgestellten designbasierten Stichproben-
verfahren.
Das Paket wird mit
> library(survey)
geladen. Dieses Paket ist sehr allgemein für komplexe designbasierte Stichproben
konzipiert. Es muss zuerst das Stichprobendesign festgelegt werden. Anschließend
kann der Mittelwert geschätzt werden.
Das Stichprobendesign kann mit der Funktion svydesign(·) festgelegt werden,

wobei im Folgenden nur auf die in diesem Buch weiter verwendeten Optionen ein-
gegangen wird.
> svydesign(ids, probs=NULL, strata = NULL,

+ fpc=NULL, data = NULL, weights=NULL, ...)
# ids Formula or data frame specifying cluster ids

# from largest level to smallest level,
# ~0 or ~1 is a formula for no clusters.
# probs Formula or data frame specifying cluster
# sampling probabilities
# strata Formula or vector specifying strata,
# use NULL for no strata
# fpc Finite population correction
# weights Formula or vector specifying sampling weights
# as an alternative to prob
# data Data frame to look up variables in the formula
# arguments
Mit ids wird eine Identifizierungs (ID)-Variable definiert. Bei Cluster-Schätzern

muss an dieser Stelle eine Variable übergeben werden, welche die eindeutigen Clu-
sternummern angibt. Bei geschichteten Stichproben gibt die ID-Variable die Identi-
fikationsnummern der gezogenen Individuen an. Mit probs wird die Ziehungswahr-
scheinlichkeit übergeben. Alternativ dazu können Gewichte mit weights übergeben
werden.
Mit strata wird die Schichtnummer bei der geschichteten Stichprobe überge-
ben. Mit fpc kann eine Variable angegeben werden, die für die Korrektur für end-
liche Populationen verwendet wird. Mit data wird der zu verwendende Datensatz
definiert.
Um den Mittelwert basierend auf dem vorher festgelegten Stichprobendesign zu

schätzen, wird die Funktion svymean(·) verwendet. Auch hier wird nur auf die im
Weiteren verwendeten Optionen eingegangen.
> svymean(x, design, ...)
# x A formula, vector or matrix

# design survey.design object
Mit x wird ein Formelobjekt übergeben, das im einfachsten Fall die Form ∼y hat.
Details hierzu werden nachfolgend gegeben. Mit design wird das vorher definierte
Stichprobendesign übergeben.
Im Folgenden werden beide Schritte nochmal getrennt für geschichtete Stichpro-
ben und Cluster-Stichproben gezeigt.
5.5.1 Geschichtete Stichprobe

Zur Verdeutlichung der Benutzung der Routinen werden wir mit einem einfachen
Beispiel arbeiten. Nehmen wir dazu an, eine Population ist in zwei Schichten
geteilt, aus denen eine geschichtete Stichprobe gezogen worden ist. Wir stellen den
Datensatz resultierend aus der Stichprobe wie folgt auf:
Tabelle 5.1 Datensatz resultierend aus einer geschichteten Stichprobe

stratum id y nh Nh
1 1 y11 n1 N1
.. .. .. .. ..
. . . . .
1 n1 y1n1 n1 N1
2 n1 + 1 y21 n2 N2
.. .. .. .. ..
. . . . .
2 n y2n1 n2 N2
Dabei ist id die zum Individuum gehörige Identifizierung, die der Einfachheit
halber von 1 bis n 1 und fortlaufend von n 1 + 1 bis n durchnummeriert werden kann.
Sie gibt an, dass jede Zeile im Datensatz ein neues Element der Stichprobe bein-
haltet. Der Prozess der zufälligen Auswahl ist somit über id gelaufen. Die Variable
stratum gibt an, zu welcher Schicht die entsprechende Beobachtung zählt, wohin-
gegen nh und Nh die Stichprobengröße je Schicht beziehungsweise die Schichtgröße
selbst angeben.
In verschiedenen Anwendungen ist die Populationsgröße der einzelnen Schich-
ten nicht bekannt. Beispielsweise muss in einer großen Population nicht bekannt
sein, wie viele Frauen oder Männer als Schichten betrachtet in einer Population sind.
Sofern jedoch die relative Schichtengröße Nh /N bekannt ist, kann der geschichtete
Schätzer zum Einsatz kommen, allerdings unter Vernachlässigung des Korrektur-
faktors für endliche Populationen. In diesem Fall bedienen wir uns eines kleinen
Tricks, um die bereitgestellten Funktionen aus dem survey Paket anwenden zu
können. Wir arbeiten in diesem Fall mit einem fiktiven Populationsumfang in den
einzelnen Schichten, so dass n h << Nh , das heißt n h ist ein vernachlässigbarer
Bruchteil von Nh . Dies erreicht man, indem die bekannten relativen Schichtgrößen
Nh /N mit einem hinreichend großen Faktor multipliziert werden, beispielsweise
Nh /N · 1e8. Der Datensatz hat in diesem Fall die Struktur
Tabelle 5.2 Datensatz resultierend aus einer geschichteten Stichprobe bei unbekannter Schicht-
größe
stratum id y nh Nh
1 1 y11 n1 N1 /N · 1e8
.. .. .. .. ..
. . . . .
1 n1 y1n1 n1 N1 /N · 1e8
2 n1 + 1 y21 n2 N2 /N · 1e8
.. .. .. .. ..
. . . . .
2 n y2n1 n2 N2 /N · 1e8
Wie wir oben hergeleitet haben, ist der geschichtete Schätzer auch über den
Horvitz-Thompson Schätzer motivierbar. Dazu ist es nötig die Auswahlwahrschein-
lichkeiten anzugeben. Im Fall einer geschichteten Stichprobe ist diese n h /Nh . Die
inverse Auswahlwahrscheinlichkeit, wie sie in der Formel des Horvitz-Thompson
Schätzers auftaucht, ist somit Nh /n h . Mit Kenntnis dieser Größe kann der geschich-
tete Schätzer berechnet werden. Anstatt im Datensatz der Stichprobe explizit die
Schichtgröße Nh und die Stichprobengröße n h aufzuführen kann auch direkt die
inverse Auswahlwahrscheinlichkeit als Gewicht angegeben werden. Der Datensatz
muss in diesem Fall wie in Tabelle 5.3 gezeigt angegeben werden, wobei die Ge-
wichte (weights) durch wh = Nh /n h gegeben sind.
Tabelle 5.3 Datensatz einer geschichteten Stichprobe gewichtet mit inversen Auswahlwahrschein-
lichkeiten
stratum id y weight
1 1 y11 w1
.. .. .. ..
. . . .
1 n1 y1n1 w1
2 n1 + 1 y21 w2
.. .. .. ..
. . . .
2 n y2n1 w2
Der Datensatz kann nun wie gehabt eingelesen werden. Exemplarisch arbeiten
wir mit folgenden Daten
> data
stratum id weight nh Nh y
1 1 1 3 5 15 23
2 1 2 3 5 15 25
3 1 3 3 5 15 27
4 1 4 3 5 15 21
5 1 5 3 5 15 22
6 2 6 4 3 12 77
7 2 7 4 3 12 72
8 2 8 4 3 12 74
Vor der Berechnung eines Schätzers muss nun unter R das angewandte Stich-
probendesign definiert werden. Hierzu benutzt man die bereitgestellte Funktion
svydesign(·). Unabhängig von der gewählten Representation des Datensatzes,
also gemäß Tabelle 5.1, 5.2 oder 5.3 wird das Design einer geschichteten Stichprobe
bestimmt durch
> library(survey)
> design <- svydesign(ids=~id, strata=~stratum, data=data)
Der Befehl library(survey) bindet, wie oben schon erwähnt, das entspre-
chende R-Paket ein, mit dem Befehl svydesign definiert man das Design der ge-
zogenen Stichprobe. Dabei werden die Schichten mit strata=∼stratum definiert,
wobei stratum der entsprechende Variablenname im Datensatz ist, der die Schich-
ten angibt und id der Variablenname, der die Indivuduen angibt. Der obige Aufruf
wird begleitet von der Warnmeldung
> design <- svydesign(ids=~id, strata=~stratum, data=data)
Warning message:
In svydesign.default(ids = ~id, strata = ~stratum, data = data) :
No weights or probabilities supplied, assuming equal probability
Die Warnmeldung besagt, dass weder Auswahlwahrscheinlichkeiten noch

Schichtgrößen angegeben wurden.
Das entsprechende Design der Stichprobe ist nun dem Objekt design zuge-
wiesen. Wir können den Inhalt der Definition mit der in R zur Verfügung gestellten
Routine summary(·) anzeigen lassen. Angewendet auf des Objekt design ergibt
sich damit
> summary(design)
Stratified Independent Sampling design (with replacement)

svydesign(ids = ~id, strata = ~stratum, data = data)
Probabilities:
Min. 1st Qu. Median Mean 3rd Qu. Max.
1 1 1 1 1 1
Stratum Sizes:
1 2
obs 5 3
design.PSU 5 3
actual.PSU 5 3
Data variables:
[1] "stratum" "id" "weight" "nh" "Nh" "y"
Mit Aufruf der summary(·) Funktion werden unter Stratum Sizes die Größe
der Schichten in der Stichprobe anzugeben. Von Interesse soll für uns hier vorerst
nur die explizite Beobachtungszahl obs sein. Die Definition von design liefert kei-
ne Angabe darüber, welche Auswahlsätze in den einzelnen Schichten verfolgt wur-
den. Zur Berechnung des geschichteten Schätzers ist jedoch die Kenntnis von Nh /N
notwendig (siehe Formel 5.1). Geht man jedoch von einer proportionalen Auftei-
lung auf die Schichten aus, so sind n h /n und Nh /N (approximativ) gleich. Die
Standardeinstellung bei der Funktion svydesign(·) ist nun, dass ohne Angabe der
Auswahlsätze von proportionaler Aufteilung ausgegangen wird und Nh /N = n h /n
gesetzt wird. Dies ist die Information, die in oben aufgelisteter Warnmeldung ex-
plizit gegeben wird. Der Schätzer der geschichteten Stichprobe (5.1) wird somit
berechnet gemäß
M
nh

Ȳ G S = ȳh
n
h=1
Diesen Schätzer erhält man numerisch durch den Befehl
> svymean(~y, design)
mean SE
y 42.625 0.866
Für die Varianzberechnung wird ebenfalls Nh /N durch n h /n ersetzt und nahe-

liegenderweise, da die Schichtgrößen nicht angegeben wurden, wird der Korrektur-
faktor für endliche Populationen vernachlässigt.
Wir wollen nun berücksichtigen, dass in den einzelnen Schichten unterschiedli-

che Auswahlsätze existieren. Hierzu bieten sich je nach Datensatz gemäß Tabellen
5.1, 5.2 oder 5.3 unterschiedliche Möglichkeiten. Die Funktion svydesign(·) er-
laubt es, explizite Gewichte anzugeben. Dies sind, einfach gesprochen, die Rezipro-
ken der Auswahlwahrscheinlichkeiten. Hierzu müssen wir das entsprechende Stich-
probendesign definieren. Für die Datensätze der Tabellen 5.1 oder 5.2 geschieht dies
durch
> design2 <- svydesign(ids=~id, strata=~stratum,

+ weights=~I(Nh/nh), data=data)
oder alternativ
> design2 <- svydesign(ids=~id, strata=~stratum, prob=~I(nh/Nh),

+ data=data)
Beide Angaben sind inhaltlich und technisch äquivalent. Im ersten Fall geben wir
ein Gewicht an, im zweiten Fall geben wir direkt die Auswahlwahrscheinlichkeiten
an. Die Bedeutung der Notation I(·) ist in R aus technischen Gründen nötig. Es
besagt, dass die im Argument von I(·) stehende Funktion erst berechnet wird bevor
die Größe weiter verarbeitet wird. Liegen die Gewichte im Datensatz explizit vor,
wie in der Form gemäß Tabelle 5.3, so erfolgt die Definition des Stichprobendesign
über
> design2 <- svydesign(ids=~id, strata=~stratum,

+ weights=~weight, data=data)
Das Design kann nun wieder mit der Funktion summary(·) angezeigt werden.
Wir zeigen hier exemplarisch den ersten Fall der obigen drei Beispiele.
> summary(design2)
Stratified Independent Sampling design (with replacement)

svydesign(ids = ~id, strata = ~stratum, weights = ~weight,
data = data)
Probabilities:
0.2500 0.2500 0.3333 0.3021 0.3333 0.3333
Stratum Sizes:
1 2
obs 5 3
design.PSU 5 3
actual.PSU 5 3
Data variables:
Den Schätzer der geschichteten Stichprobe (5.1) erhalten wir durch den Befehl
svymean(∼y,design2).
> svymean(~y, design2)
mean SE
y 46.148 0.8804
Die Bedeutung von weights oder alternativ prob liefert den Horvitz-Thompson
Schätzer. Bei der Berechnung der Varianz wird der Korrekturfaktor für endliche
Populationen vernachlässigt. Dies ist akzeptabel, wenn die Population groß ist oder
wenn die Schichtgrößen unbekannt sind und nur die relativen Schichtengrößen
Nl /N verfügbar sind. Soll hingegen der Korrekturfaktor explizit bei der Berechnung
der Varianz berücksichtigt werden, so müssen wir ein entsprechendes Stichproben-
design definieren. Nehmen wir dazu an, der Datensatz liegt in Form von Tabelle
5.1 vor (man beachte, dass für Datensätze der Form gemäß Tabelle 5.2 und 5.3
eine hinreichend große Population angenommen war, so dass die Benutzung einer
Korrektur für keine Populationen nicht nötig ist). Wir definieren das Design der
geschichteten Stichprobe nun durch
> design3 <- svydesign(ids=~id, strata=~stratum, fpc=~Nh,

+ data=data)
Mit fpc wird damit die „finite population correction“ definiert. In diesem Fall
brauchen keine Gewichte angegeben werden, da diese bei Angabe der Schichtgröße
berechnet werden können. Der Befehl summary(·) zeigt die Komponenten des ge-
wählten Stichprobendesigns.
> summary(design3)
Stratified Independent Sampling design

svydesign(ids = ~id, strata = ~stratum, fpc = ~Nh, data = data)
Probabilities:
0.2500 0.2500 0.3333 0.3021 0.3333 0.3333
Stratum Sizes:
1 2
obs 5 3
design.PSU 5 3
actual.PSU 5 3
Population stratum sizes (PSUs):
1 2
15 12
Data variables:
Der geschichtete Schätzer ist nun völlig analog zum bisherigen erhältlich durch
den Befehl svymean(·).
> svymean(~y,design3)
mean SE
y 46.148 0.7426
Im Vergleich mit dem Ergebnis bei design2 zeigt sich der gleiche Schätzwert,
jedoch mit reduzierter Varianz beziehungsweise Standardabweichung. Dies spiegelt
genau den Effekt der Korrektur für endliche Populationen wider.
5.5.2 Cluster-Stichprobe
Erinnern wir uns, dass bei einer Cluster-Stichprobe die zufälligen Elemente in der
Stichprobe ganze Cluster sind. Dies wird für die Berechnung der Varianz des Schät-
zers noch von Bedeutung sein und muss numerisch berücksichtigt werden. Nehmen
wir aber zunächst folgendes Szenario für unsere Stichprobe an, um die Benutzung
der Prozeduren im Paket survey zu verdeutlichen. In einer Population seien M
Cluster, aus denen wir m Cluster gezogen haben. Die Clustergrößen Nh variieren
und werden im Datensatz mit Nl bezeichnet. Je Cluster wird eine Vollerhebung
durchgeführt, so dass die Stichprobengröße je Cluster nl = Nl beträgt. Die Struktur
des Datensatzes ist in Tabelle 5.4 dargestellt.
Dabei gibt die Variable Cluster die entsprechende Cluster-Nummer wieder, id

bezeichnet die Identifikationsnummer eines Individuums innerhalb eines Clusters.
Der Einfachheit halber können beide Größen fortlaufend nummeriert sein. Die Spal-
te y gibt die Beobachtungen wieder. Die Spalte M gibt die Anzahl der Cluster in der
Population an. Diese Variable ist zur Berechnung des Korrekturfaktors für endliche
Clusterpopulationen notwendig, wie wir nachfolgend sehen werden.
Tabelle 5.4 Datensatz bei Erhebung einer Cluster-Stichprobe

cluster id y M
1 1 y11 M
.. .. .. ..
. . . .
1 N1 y1N1 M
.. .. .. ..
. . . .
m 1 ym1 M
.. .. .. ..
. . . .
m Nm ym Nm M
Wir wollen die Anwendung nun konkret an folgendem Zahlenbeispiel zeigen.

Eine Population sei in M = 10 Cluster zerlegt, von denen m = 3 gezogen wur-
den. Die Population habe N = 32 Elemente und somit im Mittel 3.2 Elemente je
Cluster. Die durchschnittliche Clustergröße der Stichprobe beträgt n̄ = 3, wobei die
gezogenen Cluster die Größen 4, 3 und 2 aufweisen. Der Datensatz nimmt somit die
folgende Form an:
> data
cluster id y M
1 1 1 23 10
2 1 2 24 10
3 1 3 33 10
4 1 4 77 10
5 2 1 25 10
6 2 2 35 10
7 2 3 74 10
8 3 1 27 10
9 3 2 72 10
Zunächst wollen wir einen einfachen Cluster-Schätzer berechnen. Hierzu müssen

wir zunächst das Design entsprechend definieren. Dies geschieht durch den Befehl
surveydesign(·).
> design4 <- svydesign(ids = ~cluster, data = data, fpc = ~M)

> summary(design4)
1 - level Cluster Sampling design

With (3) clusters.
svydesign(ids = ~cluster, data = data, fpc = ~M)
Probabilities:
0.3 0.3 0.3 0.3 0.3 0.3
Population size (PSUs): 10
Data variables:
[1] "cluster" "id" "y" "M"
Wird das Argument fpc=∼M nicht gegeben, so werden die Schätzer ohne Kor-
rekturfaktor für endliche Populationen berechnet, das heißt in der Varianzformel
(5.18) wird (M − m)/M durch den Wert 1 ersetzt.
Die Berechnung eines einfachen Cluster-Schätzers mit Hilfe der in survey
bereitgestellten Routinen ist etwas mühselig, da die Funktion svymean(·) einen
modellbasierten Ansatz verfolgt. Beachtet man jedoch, dass der einfache Cluster-
Schätzer sich aus dem arithmetischen Mittel der Clustertotalen ergibt, siehe (5.16),
so liegt es nahe, den Schätzer über die Totale zu berechnen. Wir schätzen somit
M Nh
YT = h=1 i=1 Yhi . Dies kann mit Hilfe der Funktion svytotal(·) geschehen,
wobei wir nur auf die im Folgenden verwendeten Optionen weiter eingehen werden.
> svytotal(x, design, ...)

Mit x wird ein Formelobjekt, ein Vektor oder eine Matrix und durch design das
vorher definierte Stichprobendesign übergeben. Durch die Eigenschaft Ȳ = N Ȳ
bzw. Ȳ = YT /N ergeben sich Schätzer und Varianz leicht, indem der resultierende
Schätzwert und die Standardabweichung für die Totale durch N geteilt wird. Al-
ternativ kann dies numerisch durch einen kleinen Trick geschehen, indem wir alle
beobachteten Werte von Y durch N teilen, was wir im Folgenden mit Ỹhi = Yhi /N
bezeichnen. Man beachte, dass
Nh
Nh
Ȳ = YT /N = YT,h /N = Yhi /N = Ỹhi
h=1 h=1 i=1 h=1 i=1
mit Ỹhi = Yhi /N . Das bedeutet, dass Ȳ = ỸT , also das arithmetische Mittel Ȳ ist
gleich der Totalen der Ỹhi . Somit gilt es Ỹhi zu bestimmen und die Totale von Ỹhi
zu schätzen. Der zugehörige Schätzer ist dann äquivalent zum einfachen Cluster-
Schätzer. Für das Zahlenbeispiel erhalten wir somit T /N , was durch die
Ȳ Cl = Y
folgenden Befehle in R realisierbar ist.
> N <- 32
> data$y.tilde <- data$y/N
> design4 <- svydesign(ids=~cluster, data=data, fpc=~M)
> svytotal(~y.tilde, design=design4)
total SE
y.tilde 40.625 4.4087
Man beachte, dass wir das Stichprobendesign design4 nochmals definieren

müssen, weil in dem Datensatz eine neue Variable, nämlich y.tilde erzeugt wor-
den ist.
Als nächstes wollen wir zeigen, wie ein modellbasierter Cluster-Schätzer ge-
mäß Formel (5.20) berechnet wird. Der Schätzer ist mit Hilfe der vorher schon
benutzten Funktion svymean(·) berechenbar, jetzt allerdings angewendet auf das
Clusterdesign design4.
> svymean(~y, design=design4)
mean SE
y 43.333 2.3743
Bei der Prozedur wird keine Angabe zur durchschnittlichen Clustergröße in der
Grundgesamtheit benötigt, da diese bei der Varianzschätzung mit der geschätzten
durchschnittlichen Clustergröße aus der Stichprobe arbeitet, siehe Kasten S. 169.
Die Varianzschätzung notieren wir in diesem Fall als

m

2
1 M −m 1
Var
Ȳ C L ,Q S = 2 yT,l − Nl
Ȳ C L ,Q S . (5.22)
n̄ m m(m − 1)
l=1
Ist die durchschnittliche Clustergröße in der Grundgesamtheit bekannt, so erhält

man die Varianzschätzung (5.21) aus (5.22) durch
n̄ 2

Ȳ C L ,Q S = 2 Var
Var Ȳ C L ,Q S .
N̄
Im konkreten Beispiel ist der oben errechnete Standardfehler von 2, 3743 zu er-
setzen durch 2, 3743 · 3/3, 2 = 2, 225935. In allgemeiner Form können die nach-
folgenden R Befehle für beliebige Clusterdesigns genutzt werden. Wir benutzen die
Funktion SE(·), die den Standardfehler, also die Wurzel aus der Varianz, berechnet.
Dieser muss mit n̄/ N̄ multipliziert werden. Für beliebige Designs erhalten wir dies
wie folgt.
> design4 <- svydesign(ids=~cluster, data=data, fpc=~M)

> cluster.vec <- design$cluster[,1]
> print(cluster.vec)
[1] 1 1 1 1 2 2 2 3 3
> n <- length(cluster.vec)

> print(n)
[1] 9
> m <- length(unique(cluster.vec))

> print(m)
[1] 3
> n.quer <- n/m

> print(n.quer)
[1] 3
> N.quer <- 3.2

> cluster.schaetzer <- svymean(~y, design4=design)
> SE(cluster.schaetzer) * n.quer/N.quer
y
2.225935
Der Standardfehler verändert sich somit um den Faktor n̄/ N̄ .
Abschließend wollen wir den designbasierten Cluster-Schätzer berechnen.

Wie wir im vierten Kapitel gesehen haben, ist die numerische Umsetzung von PPS-
Stichproben schwierig und gleiches trifft für den designbasierten Cluster-Schätzer
zu. Wir verfolgen daher die Vereinfachung, dass wir statt des Horvitz-Thompson
Schätzers den Hansen-Hurwitz Schätzer benutzen, sprich dass wir von einem Zie-
hungsprozess mit Zurücklegen ausgehen. Dies ist eine Vereinfachung, die nume-
risch große Erleichterung mit sich bringt. Wir gehen dabei von Inklusionswahr-
scheinlichkeiten πl = m Nl /N aus. Für unseren Beispieldatensatz mit N=32 Ele-
menten ergeben sich die Auswahlwahrscheinlichkeiten zu 3 · (4/32, 3/32, 2/32) =
(0, 3750; 0, 28125; 0, 1875). Diese werden in dem Datensatz mit der Variable
weight zur Verfügung gestellt.
Der Datensatz hat dann folgende Form:
> data
cluster id y weight M
1 1 1 23 0.3750 10
2 1 2 24 0.3750 10
3 1 3 33 0.3750 10
4 1 4 77 0.3750 10
5 2 1 25 0.2813 10
6 2 2 35 0.2813 10
7 2 3 74 0.2813 10
8 3 1 27 0.1875 10
9 3 2 72 0.1875 10
Man definiert nun entsprechendes Stichprobendesign durch
> design5 <- svydesign(ids=~cluster, weights=~weight, data=data)
Die Auswahlwahrscheinlichkeit ist nun im Design berücksichtigt und wir

erhalten den designbasierten Cluster-Schätzer wie gehabt durch den Befehl
surveymean(·).
> svymean(~y, design=design5)
mean SE
y 42.345 2.5716
Wir vermerken nochmals, dass die Varianzberechnung auf der Annahme beruht,
dass mit Zurücklegen gezogen wurde, was natürlich unzutreffend ist. Dennoch er-
scheint es sinnvoll diese Annahme zu treffen, um die Numerik zu vereinfachen, auch
vor dem Hintergrund, dass die Varianz damit überschätzt wird, man aus statistischer
Sicht im Mittel somit eine größere Streuung angibt als vorhanden ist.
Für die Anwendung anderer Verfahren kann man die Daten so umstrukturieren,
dass die Cluster als Untersuchungseinheiten und die Clustersumme als Merkmal
betrachtet werden kann. Dann lassen sich im Prinzip die in Kap. 4 beschriebe-
nen Verfahren anwenden. Wir wollen dies im Detail allerdings hier nicht weiter
ausführen.
Kapitel 6
Mehrstufige und mehrphasige Verfahren
Bei großen Populationen sind die bisher besprochenen Verfahren der Stichproben-
ziehung oft schwer umzusetzen. Deshalb wollen wir sie im nachfolgenden Kapitel
kombinieren und verallgemeinern. Dabei erfolgt die Zufallsauswahl typischerweise
in mehreren Schritten. Von zweistufigen Verfahren spricht man, wenn zunächst
eine Auswahl von Gruppen von Elementen (Clustern) erfolgt und in einem zweiten
Schritt aus den ausgewählten Clustern gezogen wird.
Beispiel 6.1: Bei einer Erhebung zum ökologischen Zustand des Waldes eines
Bundeslandes wird die gesamte Waldfläche des Landes in einzelne Planquadra-
te aufgeteilt. Nun wäre es sehr aufwendig, eine einfache Zufallsstichprobe der
Planquadrate zu ziehen. Die gezogenen Planquadrate können weit verstreut lie-
gen, was den Aufwand der Erhebung vergrößert. Man kann den Aufwand jedoch
verringern, indem man die Planquadrate zu Gruppen zusammenfasst, also z.B.
alle Planquadrate, die dem gleichen (Land-)Kreis angehören, zu einer Gruppe
zusammenfasst. Dann zieht man zunächst eine Zufallsstichpobe der Kreise. An-
schließend wird aus den gezogenen Kreisen jeweils eine Zufallsstichprobe von
Planquadraten gezogen.
Im Gegensatz dazu wird bei zweiphasigen Verfahren zunächst eine große Zu-
fallsstichprobe gezogen und aus dieser wird in der zweiten Phase eine (kleinere)
Stichprobe gezogen.
6.1 Zweistufige Stichprobenverfahren

Wir fassen die Elemente der Population zunächst zu Gruppen zusammen. Diese
Gruppen werden auch als Einheiten erster Stufe (primary sampling units) bezeich-
net. In dem obigem Beispiel sind dies die (Land-)Kreise. Es wird im ersten Schritt
eine Zufallsstichprobe von Gruppen (Einheiten erster Stufe) gezogen. In der zweiten
Stufe ziehen wir dann aus den ausgewählten Gruppen Stichproben der Merkmalsträ-
ger. Dieses Vorgehen spiegelt ein zweistufiges Verfahren wider. Die Zufallsauswahl

190 6 Mehrstufige und mehrphasige Verfahren
vollzieht sich somit in mehreren Stufen, wobei auf jeder Stufe aus einer Population
eine Zufallsstichprobe gezogen wird. Die Population verfeinert sich mit jeder Stufe,
wie es in Abb. 6.1 dargestellt ist.
Beispiel 6.2: Der Verband der Einzelhändler möchte eine Befragung seiner
Mitglieder durchführen. Hierzu sollen m = 100 Betriebe ausgewählt und besucht
werden. Sinnvollerweise bietet sich eine Schichtung in Ost- und Westdeutsch-
land an, wobei die Stichprobe im Verhältnis 30/70 auf Ost und West aufgeteilt
werden soll. Nach Ziehung der Stichprobe stellt sich heraus, dass die 100 ge-
wählten Unternehmen quer über die ganze Republik verteilt sind, was zu einem
hohen Reiseaufwand führt. Es stellt sich somit die Frage, ob kosteneffizient vor-
gegangen werden kann. Der Verband der Einzelhändler hält folgendes Vorgehen
für praktikabel: Es sollen zunächst zufällig Land-, Stadt- oder Regierungskreise
ausgewählt werden. Aus den ausgewählten Kreisen sollen dann zufällig einzelne
Betriebe ausgewählt und befragt werden.
Die zweistufige Stichprobe ist eine Kombination aus Cluster- und geschichteter
Stichprobe. Bei reinen Cluster-Stichproben wählt man zufällig einige Cluster aus
und führt in diesen eine Vollerhebung durch. Im Gegensatz dazu zieht man bei
einer geschichteten Stichprobe aus allen Schichten zufällig die Merkmalsträger. Zur
statistischen Analyse führen wir die folgende Notation ein.
Abb. 6.1 Schematische Darstellung einer zweistufigen Stichprobenziehung. Die Gruppen entspre-
chen den Einheiten erster Stufe
6.1 Zweistufige Stichprobenverfahren 191
Zweistufige Stichprobenverfahren
Größe Bedeutung
In der Population:
M Anzahl der Gruppen in der Population

Nh , h = 1, . . . , M Populationsumfang in der h-ten Gruppe
M
Yhi , i = 1, . . . , Nh Variable oder Merkmal des i-ten Individu-

ums in der h-ten Gruppe
Nh
Ȳh = 1
Nh i=1 Yhi Mittelwert der Variablen in der h-ten Gruppe
M Nh
Ȳ = 1
N h=1 i=1 Yhi Mittelwert der Variablen in der Population
Nh
YT,h = i=1 Yhi = Nh Ȳh Summe (Totale) in der h-ten Gruppe
M
ȲT,· = 1
M h=1 YT,h Mittelwert der Gruppensummen
nh vorgesehener Stichprobenumfang in der h-

ten Gruppe
Nh 2
Sh2 = 1
Nh Yhi − Ȳh
i=1 Varianz in der h-ten Gruppe
2 =
M 2
h=1 Y T,h − ȲT,·
1
SGr M Varianz der Gruppensummen
In der Stichprobe:
m Stichprobengröße in der ersten Stufe

nl , l = 1, . . . , m Stichprobenumfang in der l-ten gezogenen
m Gruppe
n= l=1 n l Gesamt-Stichprobenumfang
Nl , l = 1, . . . , m Populationsumfang in der l-ten gezogenen

Gruppe
ylk , k = 1, . . . , n l Variable oder Merkmal des k-ten gezogenen

Individuums in der l-ten gezogenen Gruppe
n l
ȳl = 1
nl k=1 ylk Mittelwert der gezogenen Werte in der l-ten
gezogenen Gruppe
T,l = Nl ȳl
Y geschätzte Summe (Totale) in der l-ten gezo-
genen Gruppe
¯ = m

Y T,·
1
l=1 YT,l Mittelwert der geschätzten Gruppensummen
m
πlk Auswahlwahrscheinlichkeit für das k-te ge-

zogene
Individuum in der l-ten gezogenen Gruppe
nl
sl2 = 1
nl −1 k=1 (ylk − ȳl )2 Varianz der gezogenen Werte in der l-ten ge-
zogenen Gruppe
6.1.1 Die einfache zweistufige Zufallsstichprobe

Die Grundgesamtheit ist in M Gruppen unterteilt. Wir wählen nun zufällig m
Gruppen aus und ziehen aus jeder dieser Gruppen n l Elemente, wobei l = 1, . . . , m.
Die Auswahl kann auf beiden Stufen nach verschiedenen Stichprobendesigns er-
folgen. Wir betrachten zunächst auf beiden Stufen das Design der einfachen Zu-
fallsstichprobe. Gesucht ist ein Schätzer für den Mittelwert Ȳ der Population. Um
diesen herzuleiten, müssen wir folgendes beachten. Auch wenn jede Gruppe die
gleiche Wahrscheinlichkeit hat, gezogen zu werden und auch wenn jedes Element
in einer gezogenen Gruppe die gleiche Wahrscheinlichkeit hat, in die Stichprobe
zu gelangen, so werden die einzelnen Elemente der Population nicht mit gleicher
Wahrscheinlichkeit gezogen. Wählt man beispielsweise aus jeder Gruppe gleich
viele Merkmalsträger, so haben Elemente in kleinen Gruppen eine größere Wahr-
scheinlichkeit gezogen zu werden als Elemente in größeren Gruppen. Da die zweite
Stufe der Ziehung nach der ersten erfolgt, ist die Berechnung der Auswahlwahr-
scheinlichkeiten als Produkt der einzelnen Wahrscheinlichkeiten leicht durchführ-
bar. Insgesamt beträgt die Wahrscheinlichkeit für den i-ten Merkmalsträger in der
h-ten Gruppe, in die Stichprobe zu gelangen
πhi = P(die h-te Gruppe wird gezogen) ·

P(das i-te Element wird gezogen | die h-te Gruppe wurde gezogen)
m nh
= .
M Nh
Somit kann nach Horvitz-Thompson ein unverzerrter Schätzer für Ȳ berechnet

werden
1
1 M
Nl
m nl m nl
ylk
Ȳ 2S = = ylk (6.1)
N πlk N m nl
l=1 k=1 l=1 k=1
1 M
1 M

m m
= Nl ȳl = YT,l .
N m N m
l=1 l=1
Der Schätzer kann auf folgende Weise interpretiert werden: Aus den Stichproben
in den einzelnen Gruppen wird zunächst die Gesamtsumme (Totale) der Gruppe
geschätzt. Die Schätzung ist
nl
T,l = Nl 1
Y ylk .
nl
k=1
Dann wird analog zur Cluster-Stichprobe aus den geschätzten Gruppensummen

m
die Summe aus allen Elementen geschätzt. Diese ergibt sich zu M
l=1 YT,l . Man
m
bezeichnet dieses Verfahren auch als zweistufige Hochrechnung. Den Schätzer Ȳ 2S
erhält man nach Division durch den Populationsumfang N . Die Varianz ergibt sich
dabei in folgender Form:

M2 M − m SGr
2
1
2 Nh − n h Sh2
M
Var Ȳ 2S = 2 + Nh . (6.2)
N M −1 m mM Nh − 1 n h
h=1
Die Formel (6.2) kann nach dem Horvitz-Thompson-Theorem berechnet werden.

Die Varianz besteht aus zwei Komponenten. Der erste Summand in Formel (6.2)
hängt nur von der Varianz der Gruppensummen SGr 2 und der Stichprobengröße m
der gezogenen Gruppen (Einheiten erster Stufe) ab. Beim zweiten Summanden in
Formel (6.2) sind die Varianzen innerhalb der Gruppen Sh2 und die zugehörigen
Stichprobenumfänge n h von Bedeutung. Damit entsprechen die beiden Summanden
genau den beiden Stufen der Ziehung. Dies wird durch die folgende Herleitung von
Formel (6.2) verdeutlicht.
Herleitung: Um das zweistufige Vorgehen zu berücksichtigen, benötigen wir die Eigenschaf-
ten von bedingten Erwartungswerten und Varianzen, wie sie in Kap. 5 in den Formeln (5.11)
und (5.12) angegeben wurden.
Obwohl die Erwartungstreue von Ȳ 2S bereits durch das Horvitz-Thompson-Theorem gesi-
chert ist, zeigen wir diese zur Illustration mit dem Satz vom iterierten Erwartungswert. Nehmen
wir dazu an, dass in der ersten Stufe die Gruppen G 1 , . . . , G m gewählt wurden. Betrachtet man
nun die ausgewählten Gruppen als gegeben, so können wir die Vereinigung der Gruppen als
neue Population ansehen. In diesem Fall können wir auf Ergebnisse der geschichteten Stichpro-
be zurückgreifen, denn für gegebenes G = {G 1 , . . . , G m }, also in der zweiten Stufe, entspricht
die Ziehung der einer geschichteten Stichprobe.
Für den bedingten Erwartungswert ergibt sich:
1 M
m
E Ȳ 2S |G = ȲG = Nl Ȳl .
N m
l=1
Dies folgt, da
Ȳ 2S für gegebenes G einem geschichteten Stichprobenschätzer gleicht und
dieser erwartungstreu für die ausgewählte (gezogene) Population G ist. Im nächsten Schritt
bilden wir den Erwartungswert über die erste Stufe, das heißt über alle möglichen gewählten
Gruppen G. Dabei ist zu beachten, dass Nl und Ȳl als Zufallsvariablen betrachtet werden, weil
die Gruppe zufällig gezogen werden. Wir müssen also den Erwartungswert über alle möglichen
Ziehungen G berechnen. Es gilt nach den Regeln der einfachen Zufallsstichprobe:
M

E Nl Ȳl = Nh Ȳh für l = 1, . . . , m .
M
h=1
Damit erhalten wir die Erwartungstreue von

Ȳ 2S :

1 1
m
E Ȳ 2S = E E Ȳ 2S |G = ME Nl Ȳl
N m
l=1
M
1 1 1
= M m E Nl Ȳl = M Nh Ȳh = Ȳ .
N m N M
h=1
Im nächsten Schritt leiten wir nun die Varianz her. Dazu nutzen wir die allgemeine Varianz-
zerlegung, siehe Formel (5.12):

Var Ȳ 2S = EG Var Ȳ 2S |G + VarG E Ȳ 2S |G . (6.3)
Für die zweite Stufe, das heißt unter der Annahme, dass G gegeben ist, ergibt sich für
Ȳ 2S
die Varianz

M 2 1
m

Var Ȳ 2S |G = Var Nl ȳl |G
N m
l=1
2
1 1
2 Nl − nl Sl2
m
M
= · Nl .
N m m Nl − 1 nl
l=1
Dabei ist G wiederum zufällig, was bedeutet, dass Nl und Sl durch die Auswahl der Gruppen
zufällig sind. Bildet man nun den Erwartungswert und betrachtet das Merkmal
Nh − n h Sh2
Nh2
Nh − 1 n h
für die Gruppen, so folgt
M 2 1 1
M
Nh − n h Sh2
EG Var Ȳ 2S |G = Nh2 .
N m M Nh − 1 n h
h=1
Damit ist der zweite Teil in der Varianzformel (6.2) hergeleitet. Der erste Teil folgt nun mit
(5.12) und wir erhalten wegen der oben bewiesenen Erwartungstreue:

VarG E Ȳ 2S |G = Var ȲG
2
1
m
M
= Var YT,l
N m
l=1
2
M M − m SGr 2
= .
N M −1 m
Die letzte Umformung ergibt sich wiederum nach den Regeln der einfachen Zufallsstich-
probe mit dem Merkmal YT,h . Damit ist die Varianzformel unter Benutzung von Formel (6.3)
gezeigt.
Zweistufige Stichprobe
Eine Population mit N Elementen ist in M sich nicht überlappende

Gruppen eingeteilt. Aus den M Gruppen werden m Gruppen durch eine
einfache Zufallsstichprobe gezogen. Aus der gezogenen l-ten
Gruppe werden nl Elemente nach dem Design
der einfachen Zufallsstichprobe gezogen, wobei l = 1, . . . , m.
Der zweistufige Schätzer ist erwartungstreu und definiert durch
1 M
m

Ȳ 2S = Nl ȳl .
N m
l=1

M2 M −m 1
m 2
Var Ȳ 2S = 2 Y ¯
T,l − Y
T,·
N M m(m − 1)
l=1
1
2 Nl − n l sl2
m
+ 2 Nl .
m Nl nl
l=1
Man erhält die Schätzung der Varianz jeweils durch die entsprechenden Werte
aus der Stichprobe. Im ersten Teil wird dabei die Varianz der Gruppensummen durch
die Varianz der entsprechenden Schätzungen ersetzt. Im zweiten Teil wird die Streu-
ung innerhalb der Gruppen jeweils durch die empirische Streuung geschätzt. Der

Nachweis der Erwartungstreue von Var Ȳ erfolgt wiederum mit dem Satz vom
2S
iterierten Erwartungswert. Wir wollen die Varianzzerlegung anhand eines Beispiels
veranschaulichen.
Beispiel 6.3: Eine Population vom Umfang N = 16 sei gegeben durch die
folgenden Größen.
1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4
Wir wollen eine zweistufige Stichprobe ziehen, indem wir zwei Gruppen wäh-
len, woraus in der zweiten Stufe je zwei Elemente gezogen werden. Die Gruppen-
einteilung kann nun unterschiedlich vorgenommen werden. Wir wählen zuerst die
Einteilung
1 2 3 4
1 2 3 4
(6.4)
1 2 3 4
1 2 3 4
Da zwischen den Gruppen keinerlei Variation besteht, wir also perfekte Cluster
2 = 0. Die Variation des zweistufigen Schätzers basiert gänzlich auf
haben, ist SGr
der Variation innerhalb der Gruppen. Wählt man dagegen die Gruppen wie folgt
1 2 3 4
1 2 3 4
(6.5)
1 2 3 4
1 2 3 4
heißt Sh = 0. Bei dieser

so erhält man eine perfekte Schichtungsstruktur, 2
das
Struktur ist für die Varianz des Schätzers Var Ȳ 2S nur die Varianz zwischen
den Gruppen von Bedeutung.
In der folgenden Tabelle 6.1 sind die Standardabweichungen des zweistufigen
Schätzers für die beiden Aufteilungen für unterschiedliche Stichprobenumfänge
angegeben. Zum Vergleich sind in der letzten Zeile die Standardabweichungen
des Schätzers Ȳ E S bei einer einfachen Zufallsstichprobe mit gleichem Stichpro-
benumfang angegeben. Man erkennt, dass eine Erhöhung des Gruppenumfangs
von m = 2 auf m = 3 bei Aufteilung (6.4) keine Verbesserung bringt. Entspre-
chend ist eine Erhöhung des Stichprobenumfangs n h innerhalb der Gruppen für
Aufteilung (6.5) sinnlos.
Tabelle 6.1 Standardabweichungen für die Schätzer

Ȳ 2S und
Ȳ E S unter verschiedenen
Bedingungen
m=2 m=2 m=3
nh = 2 nh = 3 nh = 2
Aufteilung (6.4) 0,46 0,26 0,46
Aufteilung (6.5) 0,65 0,65 0,37
Einfache Zufallsstichprobe 0,50 0,37 0,37
n=4 n=6 n=6
Aus der Varianzzerlegung nach dem obigen Beispiel lässt sich eine Strategie zur
Wahl der Größen m und n h ableiten: Falls die Schwankung der Gruppensumme
groß ist, muss der Umfang m bei der ersten Ziehung tendenziell größer gewählt
werden. Wenn die Streuung innerhalb der Gruppen groß ist, sollten entsprechend
die Umfänge n h nicht zu klein gewählt werden. Eine genaue Planung kann analog
zu dem in Kap. 2 beschriebenen Vorgehen durchgeführt werden. Man benötigt dazu
entsprechende Annahmen für die Varianzen SGr2 und S 2 .
h
6.1.2 Modellbasierte und designbasierte zweistufige Verfahren

Das in dem vorigen Abschnitt beschriebene Vorgehen kann auf verschiedene Weise
modifiziert werden. Auf den beiden Stufen kann das Design oder das Schätzver-
fahren verändert werden. Wir betrachten zunächst die Verwendung des Quotien-
tenschätzers auf der zweiten Stufe. Dieses Vorgehen ist analog zu dem entspre-
chenden Verfahren beim Cluster-Schätzer, siehe Abschn. 5.2.2. Wir gehen also von
einer zweistufigen Stichprobe nach dem Design der einfachen Zufallsstichprobe auf
beiden Stufen aus. Man bildet analog zur zweistufigen Hochrechnung zunächst die
Schätzungen für die Totalen der Gruppen YT,l = Nl ȳl . Da das Verhältnis
M
YT,h
h=1
R=

M
Nh
h=1
dem Mittelwert Ȳ entspricht, ist der Quotientenschätzer gegeben durch:
m
T,l
Y Nl ȳl

Ȳ 2S,Q S =
l=1
=
l=1
. (6.6)

m
m
Nl Nl
l=1 l=1
Er entspricht dem mit den Gruppengrößen gewichteten Mittel der geschätzten

Gruppenmittelwerte. Die Varianz erhält man durch Bedingen auf die erste Stufe und
mit der entsprechenden Technik der Taylorreihen-Entwicklung, wie wir sie beim
Quotientenschätzer angewendet haben. Konkret ergibt sich
1

M 2 1 M − m
Var Ȳ 2S,Q S = YT,h − Nh
Ȳ 2S,Q S / N̄ 2 (6.7)
M m M −1
h=1
1
Nh − n h Sh2 2
M
+ N / N̄ 2 .
mM Nh − 1 n h h
h=1
Die Schätzung der Varianz ergibt sich durch geeignetes Ersetzen der Populati-
onsgrößen durch die entsprechenden Stichprobengrößen. Der Nachweis der appro-
ximativen Erwartungstreue erfolgt durch den Satz vom iterierten Erwartungswert
(5.11) und analog zum Vorgehen bei einfachen Quotientenschätzern, siehe Abschn.
3.2. Der Quotientenschätzer ist besonders dann empfehlenswert, wenn die Grup-
pengrößen stark unterschiedlich sind.
Zweistufiger Quotientenschätzer
Gegeben sei eine zweistufige Stichprobe mit dem Design der einfachen
Zufallsstichprobe auf jeder Stufe.
Der zweistufige Quotientenschätzer ist approximativ erwartungstreu

und gegeben durch
m
T,l
Y Nl ȳl

Ȳ 2S,Q S =
l=1
=
l=1
.

m
m
Nl Nl
l=1 l=1
1
m

2 1 M − m
Var
Ȳ 2S,Q S = yT,l − Nl
Ȳ 2S,Q S / N̄ 2
m−1 m M
l=1
1 1
m
Nl − nl sl2 2
+ N / N̄ 2 .
m m−1 Nl nl l
l=1
Eine andere Form der Ziehung einer zweistufigen Stichprobe besteht in der Wahl
eines PPS-Designs in der ersten Stufe. Die Gruppen werden also proportional zu
ihrer Größe gezogen. Mit Hilfe des Horvitz-Thompson-Theorems kann man einen
erwartungstreuen Schätzer bestimmen. Es gilt dann für die Auswahlwahrscheinlich-
keiten
Nh m n h
πhi = M
N
h=1 N h h
und damit ergibt sich der Schätzer zu
m nl m
N
Ȳ 2S,P P S = ylk = ȳl . (6.8)
N nl m m
l=1 k=1 l=1
Falls in den einzelnen Gruppen gleich viele Elemente gezogen werden, verein-
facht sich der Schätzer (6.8) zu dem (ungewichteten) Mittelwert. Man spricht dann
von einer selbstgewichteten Stichprobe.
Die Berechnung der Varianz kann entweder direkt über die allgemeine Formel für
Horvitz-Thompson-Schätzer oder mit Hilfe der Varianzzerlegung bestimmt werden.
Die Berechnung ist kompliziert, weil die Auswahlwahrscheinlichkeiten zweiter

Ordnung berücksichtigt werden müssen. Eine Vereinfachung ergibt sich, wenn der
Ziehungsprozess auf den Gruppen mit Zurücklegen angenommen wird, sprich statt
die Ergebnisse des Horvitz-Thompson Schätzers auf die zweistufige Stichprobe
zu übertragen, werden die Ergebnisse des Hansen-Hurwitz Schätzers angewendet.
Konkret nehmen wir an, dass die Gruppen auf der ersten Stufe mit Zurücklegen
gezogen werden, wobei die Ein-Zug-Auswahlwahrscheinlichkeit durch Nh /N be-
stimmt ist, also größere Gruppen eine höhere Auswahlwahrscheinlichkeit haben.
Dabei ist es sogar möglich, dass eine Gruppe mehrfach gezogen wird. Die folgende
Ziehung der Elemente erfolgt dann mehrfach, was somit zu einem höheren Stich-
probenumfang in der Gruppe führt. Die Auswahl innerhalb der einzelnen Gruppen
erfolgt nun als einfache Zufallsstichprobe. Somit ergibt sich für ein Individuum der
Population bei einer Ziehung auf der ersten Stufe die Auswahlwahrscheinlichkeit
Nh n h nh
phi = = . (6.9)
N Nh N
Den entsprechenden Schätzer notieren wir mit

Ȳ 2S,H H , wobei der Index HH auf
die angenommene Anwendung der Hansen-Hurwitz Strategie hinweist. Der Schät-
zer hat die einfache Form
m

Ȳ 2S,H H = ȳl . (6.10)
m
l=1
Der Schätzer ergibt sich somit als arithmetisches Mittel der Mittelwerte der ge-
zogenen Gruppen. Es ist nicht schwierig zu zeigen, dass der Schätzer erwartungs-
treu ist. Der Beweis läuft analog zum Beweis wie wir ihn zur Erwartungstreue des
Hansen-Hurwitz Schätzers angewandt haben. Ebenso erhält man unter Anwendung
der iterierten Erwartung die Varianzformel
1
Nh
M
2 1
Nh − n h Nh Sh2
M
Var Ȳ 2S,H H = Ȳh − Ȳ + . (6.11)
m N m Nh − 1 N n h
h=1 h=1
Da es sich bei der Hansen-Hurwitz-Strategie um ein Ziehen mit Zurücklegen und

daher um eine i.i.d.-Stichprobe handelt, kann die Varianz auch direkt ohne Berück-
sichtigung der zweiten Stufe geschätzt werden.
1
m

2
Var
Ȳ 2S,H H = ȳl −
Ȳ 2S,P P S (6.12)
m(m − 1)
l=1
Diese Strategie der Varianzschätzung hat den Vorteil, dass bei der Berechnung
nur die Streuung auf der obersten Stufe eingeht, was die konkrete Berechnung stark
vereinfacht. Das gilt insbesondere für Verallgemeinerungen des Designs auf mehr
als zwei Stufen. Der Grund dafür, dass Formel (6.12) eine korrekte, erwartungstreue
Varianzschätzung liefert, liegt darin, dass in der Streuung der Mittelwerte ȳl implizit
die Varianz der Ziehung der Stufe mit eingeht und daher kein Zusatzterm berück-
sichtigt werden muss. Da es sich um ein wichtiges Grundprinzip handelt, geben wir
für diesen Fall die Herleitung an.
Herleitung: Die Ziehung mit Zurücklegen liefert unabhängig identisch verteilte Zufallsgrößen
ȳl für l = 1, . . . , m. Es gilt
M
Nh
E( ȳl ) = E(E( ȳl |1.Stufe)) = E(Ȳl ) = · Ȳh = Ȳ

N
h=1
m
Damit ist der Schätzer m1 l=1 ȳl erwartungstreu. Dass die Varianzschätzung (6.12) erwar-
tungstreu ist, folgt unmittelbar aus den allgemeinen Regeln für unabhängig identisch verteilte
Zufallsgrößen.
Zweistufiger Hansen-Hurwitz-Schätzer
Gegeben sei eine zweistufige Stichprobe. Auf der ersten Stufe

wird nach dem PPS-Design basierend auf der Gruppengröße gezogen.
Auf der zweiten Stufe wird eine einfache Zufallsstichprobe gezogen.
Ein erwartungstreuer Schätzer ergibt sich zu
m

Ȳ 2S,H H = ȳl .
m
l=1
Die Varianz kann unter der Annahme des Ziehens mit Zurücklegen
erwartungstreu geschätzt werden durch
1
m

2
Var
Ȳ 2S,H H = ȳl −
Ȳ 2S,P P S .
m(m − 1)
l=1
6.1.3 Erweiterungen
Die oben besprochenen Verfahren können auf mehrere Stufen und auf andere Aus-
wahlverfahren verallgemeinert werden.
Beispiel 6.4: (ADM-Stichprobe)
In Deutschland gibt es keine allgemein zugängliche Liste aller Privathaushal-
te. Die Verzeichnisse der kommunalen Ämter sind aus Gründen des Daten-
6.2 Zweiphasige Stichprobenverfahren 201
schutzes nur bei starkem öffentlichen Interesse (Volkszählung und Wahlen)

verfügbar. Daher hat die Arbeitsgemeinschaft der Deutschen Markt- und So-
zialforschungsinstitute e.V. (ADM) ein Auswahlverfahren entwickelt (Christi-
an von der Heyde, Sprecher der Arbeitsgemeinschaft ADM-Stichprobem, Juli
2009 – www.adm-ev.de\index.php?id=adm_stichproben&type=1&type=1), um
eine Zufallsauswahl aus den Privathaushalten zu ziehen. Das sogenannte F2F-
Verfahren („Face to Face“) ist für persönliche Interviews konzipiert und drei-
stufig. Ausgehend von den Wahlbezirken wurden 53 000 Flächen aufgrund der
Gemeindegliederung abgegrenzt. Diese enthalten mindestens 350, im Mittel 700
Privathaushalte. Die Flächen werden nach Region und Typus geschichtet. Aus
diesen werden dann – gewichtet nach Anzahl der Haushalte (PPS) – Auswahl-
flächen gezogen. Diese werden auch als „Sampling points“ bezeichnet. In der
zweiten Auswahlstufe werden dann Haushalte nach dem Prinzip der einfachen
Zufallsstichprobe gezogen. Die Realisation erfolgt durch „Random walk“. Da-
bei wird eine Startadresse zufällig ausgewählt und dann nach genau festgelegten
Vorgaben für den Interviewer („Begehungsanweisung“) die weiteren Adressen
ermittelt, z.B. Aufsuchen der Startadresse, zweites Gebäude links vom Hauptein-
gang der Startadresse ist die erste Zieladresse; in gleicher Richtung weitergehen
usw. Die Regeln steuern Himmelsrichtung, Straßenabschnitte und die Straßen-
seite über die geraden bzw. ungeraden Hausnummern, siehe Hoffmeyer-Zlotnik
(1997). Aus den ermittelten Adressen wird dann eine einfache Zufallsauswahl
getroffen. Wenn die Anweisungen tatsächlich befolgt werden, ist das Verfah-
ren praktisch eine gute Approximation für eine einfache Zufallsauswahl, siehe
Schnell, Hill, und Esser (2008). Alternativ ist eine direkte einfache Auswahl aus
allen Adressen günstiger, wenn eine entsprechende Liste vorhanden ist.
Die Schätzung der Mittelwerte bzw. der Anteile ist mit Hilfe des Horwitz-
Thompson-Theorems relativ einfach durchführbar. Bei großen Stichproben, die von
vielen Anwendern genutzt werden, werden typischerweise sogenannte Stichproben-
gewichte mit angegeben, welche die Auswahlwahrscheinlichkeiten repräsentieren.
Problematisch ist jedoch, dass die Gewichte in der Praxis nicht immer genutzt wer-
den, was zu (meist geringen) Verzerrungen führen kann, siehe dazu z.B. Hartmann
und Schimpl-Neimanns 1992. Die Varianzschätzung ist bei komplexeren Designs
zwar nach der erwähnten Methode der iterierten Erwartung möglich, praktisch aber
häufig sehr schwer umsetzbar bzw. schätzbar. Wir diskutieren die Problematik aus-
führlicher in Kap. 7.
6.2 Zweiphasige Stichprobenverfahren
6.2.1 Modellbasierte zweiphasige Verfahren
Wir haben bei modellbasierten Schätzern gesehen, wie Sekundärinformation sinn-

voll genutzt werden kann, um die Variabilität des Schätzers zu reduzieren. Dabei
sind wir davon ausgegangen, dass die Sekundärinformation X für die Population
bekannt ist, beziehungsweise dass X̄ bekannt ist. Wir wollen nun diese Annah-
me aufgeben und annehmen, dass wir X ebenfalls durch eine Stichprobe erheben.
Der Unterschied zwischen der Primärinformation Y und der Sekundärinformation
X besteht dabei darin, dass eine Stichprobe zur Einholung von Information über
X einfach, billig und/oder schnell ist, wohingegen die Einholung von Y aufwendig,
teuer und/oder zeitintensiv ist. Die Information, die wir in der Stichprobe bezüg-
lich X erhalten, wird genutzt um aus dieser Stichprobe eine zweite Stichprobe be-
züglich des Merkmals Y zu ziehen. Die zweite Stichprobe ist dabei üblicherweise
kleiner als die erste und erlaubt es, einen modellbasierten Schätzer zu berechnen.
Diese zwei Phasen der Stichprobenziehung führen zu sogenannten Zwei-Phasen-
Schätzern.
Beispiel 6.5: Zur Arbeitsoptimierung will ein Unternehmen Informationen

über den Arbeitsaufwand seiner Arbeitnehmer erhalten. Dazu werden n
= 100
Arbeitnehmer des Unternehmens zufällig ausgewählt und um eine persönliche
Einschätzung bezüglich ihres Arbeitseinsatzes gebeten. Von den n
= 100 Aus-
gewählten werden in einem zweiten Schritt n = 10 ausgewählt und detailliert
befragt.
Um die Parameter aus der ersten und zweiten Phase in der Notation unterschei-
den zu können, verwenden wir in der ersten Phase die „Strichnotation“, d.h. z.B. n
für den Stichprobenumfang in der ersten Phase.
Zweiphasige Stichprobenverfahren
Größe Bedeutung
In der Population:
N Populationsumfang
X i , i = 1, . . . , N Sekundärinformation
Yi , i = 1, . . . , N Primärinformation
In der ersten Phase:
n
Stichprobenumfang in der ersten Phase
xk
, k
= 1, . . . , n
erhobene Sekundärinformation in der ersten Phase

x̄
= n1
nk
=1 xk
Mittelwert der Sekundärinformation in der ersten
Phase
In der zweiten Phase:
n Stichprobenumfang in der zweiten Phase

xk , k = 1, . . . , n erhobene Sekundärinformation in der zweiten
Phase
yk , k = 1, . . . , n erhobene Primärinformation in der zweiten Phase

x̄ = n1 nk=1 xk Mittelwert der Sekundärinformation in der
zweiten Phase
n
ȳ = 1
n k=1 yk Mittelwert der Primärinformation in der zweiten
Phase
Wir nehmen an, dass die erste Stichprobe den Umfang n

hat. Aus dieser ersten
Stichprobe wird eine zweite Stichprobe vom Umfang n gezogen. Dabei ist n < n
.
Man beachte, dass wir annehmen, dass keine weiteren Strukturen (Gruppen oder
Cluster) in der Grundgesamtheit vorliegen. Darin liegt der wesentliche Unter-
schied zwischen der zweiphasigen und der zweistufigen Stichprobe.
In der ersten Stichprobe erheben wir nur die Sekundärinformation x k
mit k
=
1, . . . , n
. Nach Ziehung der zweiten Stichprobe sind sowohl xk als auch yk bekannt.
Wie in Kap. 3 betrachten wir die folgenden Modelle:
Modell für Differenzen Y−X=D

Modell für Quotienten Y = RX
Regressionsmodell Y = A + BX + E .
Wie bereits besprochen ist dabei das Regressionsmodell das allgemeingültige

Modell und das Quotientenmodell ergibt sich aus dem Regressionsmodell, indem
man A = 0 und B = R setzt. Ebenso ergibt sich das Differenzenmodell, indem
man B = 1 und D = A + E setzt. Wir betrachten
N daher im Folgenden nur das
Regressionsmodell. Nimmt man an, dass Ē = i=1 E i /N = 0 ist, so folgt
Ȳ = A + B X̄ .
Die Größen auf der rechten Seite der Gleichung werden jetzt stichprobenbasiert
geschätzt. Dabei schätzt man X̄ durch die erste Phase der Stichprobe gemäß
x̄ =
xk
.
n
k =1
Die Größen A und B werden nun aus der zweiten Phase der Stichprobe geschätzt,
d.h. aus den gezogenen Paaren (xk , yk ), k = 1, . . . , n. Man erhält
n
(xk − x̄)(yk − ȳ)

B=
k=1
, = ȳ −
A B x̄ ,

n
(xk − x̄) 2
k=1

mit x̄ = nk=1 xk /n als Mittelwert der Sekundärinformation in der zweiten Phase.
Der zweiphasige Regressionsschätzer ergibt sich somit zu
+
Ȳ 2P,R E G = A B x̄
= ȳ +
B(x̄
− x̄) .
Für die Varianz des Schätzers erhält man
n
− n S2 N − n
SY2
Var Ȳ 2P,R E G =
REG
+
n −1 n N − 1 n
mit
N
S 2R E G = (Yi − A − B X i )2 /N .
i=1

S2
Die Varianz besteht aus zwei Komponenten. Die erste Komponente nn
−n −1
REG
n
spiegelt die Unsicherheit des Regressionsschätzers bezüglich der zweiten Phase wi-

S2
der. Die Komponente NN−n Y
−1 n
entspricht der Varianz einer Mittelwertschätzung mit
Hilfe einer Stichprobe vom Umfang n
der Y -Werte. Diese korrespondiert zu der
Ziehung in der ersten Phase. Die Varianzen können wie gehabt geschätzt werden,
indem S 2R E G und SY2 durch entsprechende empirische Größen s 2R E G und sY2 ersetzt
werden.
Zweiphasiger Regressionsschätzer
Gegeben sei eine einfache Zufallsstichprobe vom Umfang n

der Sekundär-
information x k
, k
= 1, . . . , n
. Aus dieser Stichprobe wird eine zweite
Stichprobe vom Umfang n gezogen, bei der die Informationen xk und
yk erhoben werden, k = 1, . . . , n.
Der Regressionsschätzer für den Mittelwert Ȳ ergibt sich damit zu

Ȳ 2P,R E G = ȳ +
B(x̄
− x̄),

1
1
n n
mit x̄
=
xk
und x̄ = xk .
n
n
k =1 k=1
n
− n s 2 N − n
sY2
Var
Ȳ 2P,R E G = REG
+ ,
n
n N n
mit
1

n
2
s 2R E G = −
yk − A Bxk ,
n−2
k=1
n
sY2 = (yk − ȳ)2 .
n−1
k=1
Herleitung: Die Herleitung der Varianz vollzieht sich wieder mit dem Satz vom iterierten
Erwartungswert aus dem vorherigen Kapitel. Hierdurch ergibt sich

Var Ȳ 2P,R E G = En
Var Ȳ 2P,R E G |1.Phase

+Varn
E Ȳ 2P,R E G |1.Phase . (6.13)
Dabei bezeichnen E
(·) und Var
(·) den Erwartungswert und die Varianz basierend auf der
ersten Phase, d.h. auf der Stichprobe x k
mit k
= 1, . . . , n
. Bedingt man auf diese Stichprobe,
d.h. betrachtet man (x k
, yk
) als Population, so lassen sich der innere Erwartungswert und die
innere Varianz berechnen, indem alle Ergebnisse aus Abschn. 3.3 genutzt werden. Konkret ist
n
− n S
2
Var Ȳ 2P,R E G |1.Phase = REG
,
n−1 n
n
mit S
2
REG =

2
k
=1 (yk
− A − Bx k
) /n . Nun ist S R E G eine zufällige Größe, da die Stich-
2

probe bezüglich n zufällig ist. Es ist jedoch nicht schwierig zu zeigen, dass

En
S
2R E G = SR E G
2
N
gilt mit S 2R E G = i=1 (Yi − A − B X i )2 /N . Somit verbleibt die Berechnung der zweiten Kom-
ponente in Formel (6.13). Bedingen wir wieder auf die erste Phase, d.h. betrachten wir (x k
, yk
)
als Population, k
= 1, . . . , n
, so ist der Regressionsschätzer erwartungstreu und wir erhalten

E Ȳ 2P,R E G |1.Phase = ȳ
,
mit ȳ
= nk
=1 yk
/n
. Man beachte, ȳ
ist das arithmetische Mittel einer einfachen Zufalls-
stichprobe vom Umfang n
. Mit den Ergebnissen über einfache Zufallsstichproben erhalten wir
somit
N − n
SY2
Varn
ȳ
=
N − 1 n
N
mit SY2 = i=1 (Yi − Ȳ )2 /N . Ersetzt man nun S 2R E G und SY2 durch entsprechende Schätzer, so
folgt die oben gegebene Varianzformel.
In analoger Form lässt sich nun der zweiphasige Differenzenschätzer

berechnen.

Ȳ 2P,D = ȳ + (x̄
− x̄)
Die Varianz kann entsprechend geschätzt werden.

Die Herleitung ist auch für den zweiphasigen Quotientenschätzer gegeben. Unter
Verwendung der Formeln aus dem Kasten auf S. 73 für den einfachen Quotienten-
schätzer erhält man die in dem Kasten zusammengestellten Formeln.
Zweiphasiger Quotientenschätzer
Gegeben sei eine einfache Zufallsstichprobe vom Umfang n

der Sekundär-
information x k
, k
= 1, . . . , n
. Aus dieser Stichprobe wird eine zweite
Stichprobe vom Umfang n gezogen, bei der die Informationen xk und
yk erhoben werden, k = 1, . . . , n.
Der Quotientenschätzer für den Mittelwert Ȳ ergibt sich damit zu
· x̄
,
Ȳ 2P,Q S = R
n

yk
1
n
mit x̄
=
= k=1
xk
und R .
n

n
k =1 xk
k=1
n
− n 1
n
2 N − n
sY2
Var
Ȳ 2P,Q S = · yk −
Rx k +
n
n(n − 1) N n
k=1
Beispiel 6.6: Ein Unternehmen stellt technische Produkte her, die einer Qua-
litätskontrolle unterliegen sollen. Dazu stehen zwei Produkttests zur Verfügung:
Eine einfache Kontrolle, die schnell und wenig zeitaufwendig durchführbar ist,
und eine aufwendige, jedoch sehr akkurate Methode. Das Unternehmen möchte
einen Schätzer für die Ausschussproduktion erhalten. Dazu werden n
= 1 000
Produkte mit der einfachen Kontrolle beurteilt. Es wurden 80 fehlerhafte Geräte
gefunden. Von den 1 000 ausgewählten Geräten werden 100 zufällig ausgewählt
und der aufwendigen Kontrolle unterworfen. Es ergaben sich folgende Anzahlen:
zweite erste Kontrolle

Kontrolle defekt in Ordnung
defekt 10 5 15
in Ordnung 0 85 85
10 90 100
Wir kodieren die Ergebnisse wie folgt. Es sei X ein Indikator ob ein Produkt in
der ersten Phase als defekt befunden wurde (X = 1) oder nicht (X = 0). Damit
erhalten wir in der Stichprobe der ersten Phase x̄
= 0, 08. Weiter notieren wir
mit Y , ob ein Produkt in der zweiten Phase als defekt befunden wurde (Y =
1) oder nicht (Y = 0). Basierend auf der Stichprobe erhalten wir ȳ = 0, 15.
Wir modellieren eine Proportionalität zwischen X und Y und wollen daher den
zweiphasigen Quotientenschätzer zur Anwendung bringen mit
= 15 = 1, 5.
R
10
Als Quotientenschätzer folgt somit

Ȳ 2P,Q S = 1, 5 · x̄
= 1, 5 · 0, 08 = 0, 12.
Zur Berechnung der Varianz nehmen wir an, dass die Population sehr groß ist,
d.h. wir können den Korrekturfaktor (N − n
)/N vernachlässigen. Somit lässt
sich die Varianz schätzen durch
n
− n 1
n
s2
Var
Ȳ 2P,Q S = · yk − k 2+ Y
Rx
n
n(n − 1) n
k=1
Mit Hilfe von

sY2 = 0, 15 · 0, 85 = 0, 128
erhält man
0, 128
Var
Ȳ 2P,Q S = 0, 000682 + = 0, 00081.
1 000

Als Standardabweichung folgt Var
Ȳ 2P,Q S = 0, 028. Dies resultiert in
dem 95%- Konfidenzintervall
0, 12 ± 1, 96 · 0, 028 = 0, 12 ± 0, 055.
Würde man die Sekundärinformation vernachlässigen, so würde man ȳ =

0, 15 als Schätzer heranziehen. Dabei ist
%

sY2

Var( ȳ) = ≈ 0, 036,
100

was deutlich größer als Var Ȳ 2P,Q S ist. Die Ausnutzung der Sekundärinfor-
mation hat sich also gelohnt.
6.2.2 Zweiphasige geschichtete Stichprobe

Bei der Verwendung der geschichteten Stichprobe ist eine wichtige Voraussetzung
die Kenntnis der Anteile der Schichten in der Grundgesamtheit. Ist diese unbekannt,
kann man sie aus einer großen Stichprobe schätzen und dann eine (kleinere) Unter-
stichprobe ziehen.
Beispiel 6.7: Die Marketingabteilung einer Firma möchte die Wirksamkeit ei-
ner Werbemaßnahme beurteilen. Das Produkt soll über Internet und Fernsehen
beworben werden. Es wird dabei vermutet, dass die Nutzungsgewohnheiten der
Medien Fernsehen und Internet Einfluss darauf haben, ob die Werbemaßnahme
positiv oder negativ aufgenommen wird. Man kann die Population in die folgen-
den vier Gruppen einteilen:
a) Personen, die Fernsehen und Internet regelmäßig nutzen
b) Personen, die Fernsehen aber nicht Internet regelmäßig nutzen
c) Personen, die Internet aber nicht Fernsehen regelmäßig nutzen
d) Personen, die weder Fernsehen noch Internet regelmäßig nutzen
Nun liegen über die Anteile der Gruppen (Schichten) keine nutzbaren Informatio-
nen vor. Um die Proportionen der 4 Gruppen schätzen zu können, kann daher eine
große Stichprobe vom Umfang n
gezogen werden. Basierend auf dieser Stich-
probe wird eine zweite geschichtete Stichprobe gezogen, um die Primärinforma-
tion einzuholen, sprich ob die eigentliche Werbemaßnahme gut aufgenommen
wurde.
Nehmen wir an, wir teilen die erste Stichprobe vom Umfang n
in die Schichten 1
bis M mit beobachtetem Schichtumfang n
h , h = 1, . . . , M. Eine zweite Stichprobe
vom Umfang n wird geschichtet gezogen mit Stichprobenumfang n h für die h-te
Schicht. Der zweiphasige geschichtete Schätzer ergibt sich zu
M
n

Ȳ 2P,G S = h
ȳh ,
n
h=1
n h
mit ȳh = k=1 yhk /n h als arithmetischem Mittel der h-ten Schicht und yhk als k-te
Beobachtung in der h-ten Schicht. Der Schätzer ist erwartungstreu und die Varianz
ergibt sich zu

N − n
SY2
Nh 1 n
h
M

Var Ȳ 2P,G S = · + − 1 · Sh2 .
N − 1 n
N n
nh
h=1
Die Varianz kann dabei durch die empirischen Größen der Stichprobe geschätzt
werden.
Herleitung: Man kann wie zuvor durch die Technik des Bedingens auf die erste Phase die
Eigenschaften des Schätzers
Ȳ 2P,G S ableiten. Es gilt

E Ȳ 2P,G S = E E Ȳ 2P,G S |1.Phase = E ȳ
= Ȳ .
Hierbei wurde genutzt, dass das Design der geschichteten Stichprobe in der neuen Grund-
gesamtheit einen erwartungstreuen Schätzer liefert. Zur Bestimmung der Varianz von Ȳ 2P,G S
bestimmen wir zunächst die bedingte Varianz des geschichteten Schätzers:

M
2
nh n
h − n h sh
2
Var Ȳ 2P,G S |1.Phase = ·
n
n
h − 1 n h
h=1
M
2

n 1 n
h
= h
· · − 1 · sh
2
n
n
h nh
h=1
M

n 1 n
h
= h
· · − 1 · sh
2 ,
n
n
nh
h=1
n
h 2
mit sh
2 = i=1 yhi − ȳh
/ n
h − 1 . Wir nehmen an, dass die Quotienten n
/n und n
h /n h
für h = 1, . . . , M vor Stichprobenziehung fixiert wurden, beispielsweise soll die zweite Stich-
probe aus 10% der ersten Stichprobe bestehen. Ferner ist n
als der Gesamtstichprobenumfang
der ersten Stichprobe bekannt. Somit sind nur n
h /n und sh
2 zufällig und es folgt

Nh 1 n
h
M
E Var Ȳ 2P,G S |1.Phase = − 1 · Sh2 ,
N n
nh
h=1
Nh
mit Sh2 = (Yhi − Ȳh )2 .
Nh − 1
i=1
Da der geschichtete Schätzer erwartungstreu ist, ergibt sich weiter
N − n
SY2
Var E Ȳ 2P,G S |1.Phase = Var( ȳ
) = · .
N − 1 n
Fasst man beide Größen zusammen, so ergibt sich

Nh 1 n
h
M
N − n
SY2
Var Ȳ 2P,G S = ·
+ − 1 · Sh2 .
N −1 n N n
nh
h=1
Zweiphasige geschichtete Stichprobe
Wir teilen die erste Stichprobe vom Umfang n

in die Schichten 1 bis M
mit beobachtetem Schichtumfang n
h , h = 1, . . . , M.
Eine zweite Stichprobe vom Umfang n wird geschichtet gezogen
mit Stichprobenumfang n h für die h-te Schicht.
Der geschichtete Schätzer für den Mittelwert Ȳ ergibt sich damit zu
M
n

Ȳ 2P,G S = h
ȳh ,
n
h=1
mit
nh
yhk
ȳh = .
nh
k=1

N − n
sY2
n
h n
h
M

Var Ȳ2P,G S = ·
+ − 1 · sh2 ,
N n n
2 nh
h=1
mit
1
h n
sh2 = (yhk − ȳh )2 ,
nh − 1
k=1
1
n
sY =
2 (yk − ȳ)2 .
n−1
k=1
6.3 Zweiphasige Stichprobe zum Umgang mit Non-Respondern 211
6.3 Zweiphasige Stichprobe zum Umgang mit Non-Respondern

Ein generelles Problem in Stichproben und Umfragen ist der teilweise große An-
teil von Non-Respondern, also Elementen der Stichprobe, von denen keine Antwort
oder Messung erhältlich ist. Ein Non-Responder kann dabei aus vielfachen Gründen
auftreten. Einfache Antwortverweigerung in einer Umfrage führt genauso zu feh-
lender Information wie der Ausfall eines technischen Geräts. Non-Responder sind
deshalb von entscheidender Bedeutung, weil die fehlende Information informativ
sein kann.
Beispiel 6.8: Bei einer Umfrage werden n

Individuen angeschrieben mit der
Bitte einen Fragebogen ausgefüllt zurückzuschicken. Nach Ablauf der gegebenen
Frist werden die Individuen, die den Fragebogen noch nicht zurückgesandt haben,
als Non-Responder klassifiziert und mit einem Erinnerungsschreiben erneut ange-
schrieben. Die hierauf eingehenden weiteren Fragebögen werden als Stichprobe
aus der Schicht der Non-Responder angesehen.
Wir teilen gedanklich die gesamte Population in „Responder“ und „Non-

Responder“ als Schichten ein. Wir ziehen eine Stichprobe und erhalten n
1 Re-
sponder und n
2 Non-Responder. In einem zweiten Anlauf kontaktieren wir eine
Stichprobe von n 2 „Non-Respondern“ noch einmal, beispielsweise durch einen oder
mehrere Anrufe. Wir gehen dabei von vollständigem Rücklauf aus. Konzeptionell
betrachtet haben wir somit eine zweiphasige geschichtete Stichprobe mit n 1 = n
1
als Stichprobenumfang in der Schicht der Responder und n 2 als Stichprobenumfang
in der Schicht der Non-Responder. Man erhält somit den geschichteten Schätzer
n
n
Ȳ G S = 1
ȳ1 + 2
ȳ2 ,
n n
mit ȳh als Mittelwert der h-ten Schicht, h = 1, 2, und n

= n
1 + n
2 .
Die zugehörige Varianz ergibt sich durch
N − n
n
2 − n 2 n
2 2
Var Ȳ G S = · S 2
+ S .
(N − 1) n
Y
(n
− 1) n 2 n
2
Man beachte, dass wir in Schicht 1, der Schicht der Responder, in der zwei-
ten Phase formal eine Vollerhebung durchführen. Somit ist der Beitrag zur zweiten
Komponente der Varianz gleich 0.
In der Praxis ist dieser Umgang mit Non-Respondern nicht immer sinnvoll durch-
zuführen. Typischerweise werden auch im zweiten Versuch viele Befragte keine
Antwort geben. Dies führt dann eventuell zu einer noch stärkeren Verzerrung als bei
einer einfachen Zufallsstichprobe, bei der nur die Responder berücksichtigt wer-
den. Andere Möglichkeiten des Umgangs mit Non-Respondern werden in Kap. 7
diskutiert.
6.4 Capture-Recapture Verfahren

In der Wild- und in der Meeresbiologie ist es häufig von Interesse, die Anzahl der
Individuen einer Population in einer bestimmten Region zu schätzen. Es geht also
darum, den Populationsumfang N durch eine geeignete Stichprobenerhebung zu
schätzen. Ein Verfahren ist das sogenannte Capture-Recapture. Beispielsweise kann
Interesse daran bestehen, den Umfang einer Fischpopulation zu schätzen. Dazu wer-
den zwei Stichproben gezogen. Zunächst werden M Elemente der Grundgesamtheit
gezogen. Dabei wird davon ausgegangen, dass diese Ziehung den Regeln einer ein-
fachen Zufallsstichprobe unterliegt. Die gezogenen M Elemente werden markiert
und der Population zurückgegeben. Nach einer adäquaten Zeit (engl. wash-out pe-
riod) wird eine zweite Stichprobe gezogen, diesmal vom Umfang n. Die zweite
Stichprobe spiegelt nun ein Urnenexperiment der hypergeometrischen Verteilung
wider. Notiert wird die Anzahl der markierten Elemente m in der zweiten Stich-
probe. Dabei ist m/n ein erwartungstreuer Schätzer für M/N . Somit ergibt sich ein
Schätzer für N durch
= M· n.
N
m
Die Varianz des Schätzers ergibt sich mit Hilfe der Delta-Methode und der Vari-
anz der hypergeometrischen Verteilung. Man erhält als Schätzer:

Var( ) = M n (M − m) (n − m) .
N
m3
Capture-Recapture Stichprobe
Ziel ist es, den Umfang N der Grundgesamtheit zu schätzen.

Im ersten Schritt werden M Elemente markiert.
Im zweiten Schritt werden n Elemente gezogen, von denen m markiert sind.
Ein approximativ erwartungstreuer Schätzer für N ist
= M·
m.
n
N
Der Varianzschätzer ist

Var( ) = M n (M − m) (n − m) .
N
m3
6.5 Beispiel 213
Diese Methode wurde ursprünglich bei der Zählung von Wildpopulationen an-
gewendet. Aktuell wird sie auch in der medizinischen und sozialwissenschaftlichen
Forschung benutzt.
6.5 Beispiel
6.5.1 Neues Design für Haushaltsstichproben in Deutschland

Im Rahmen eines von der Deutschen Forschungsgemeinschaft (DFG) geförderten
Projektes wurde von R. Schnell ein neuer Vorschlag für Haushaltsstichproben in
Deutschland entwickelt, siehe Schnell (2008). Die in der Praxis aktuell verwendeten
Stichprobenpläne für Interviews sind ADM-Stichproben (siehe Beispiel 6.4) sehr
ähnlich. Diese Pläne basieren auf einem mehrstufigen Verfahren mit einer PPS-
Auswahl von Wahlbezirken bzw. daraus abgeleiteten Einheiten. Die Auswahl hat
jedoch wesentliche Probleme, wie die Einbeziehung von Ausländern oder Deut-
schen mit Migrationshintergrund. Diese werden durch die Nutzung von Einwoh-
nermeldedaten ausgeschlossen bzw. fallen aufgrund sprachlicher Probleme bei den
Interviews aus der Stichprobe. Um mit diesen und anderen Problemen umzugehen,
wird ein anderes Vorgehen vorgeschlagen.
Die primäre Untersuchungseinheit sollen Gemeinden und Städte sein. Hier ist die
Bestimmung der Bevölkerungsgröße genauer möglich als bei Stimmbezirken. Als
Einheit zweiter Stufe sollen die Gebäude dienen. Nach Angabe des Statistischen
Bundesamtes gibt es in Deutschland 17 Mio. Gebäude mit 38 Mio. Wohnungen.
Über 62% der Gebäude haben jedoch nur eine Wohnung. Daher muss in diesem
Fall keine weitere Ziehung zur Auswahl einer Wohnung durchgeführt werden. Bei
größeren Gebäuden muss per einfacher Zufallsstichprobe eine weitere Ziehung vor-
genommen werden. Dies gilt ebenso für die Auswahl der einzelnen Personen in
dem Haushalt (HH). Die Auswahlwahrscheinlichkeit für eine Person i wird in zwei
Schritten bestimmt. Zuerst ergibt sich die Auswahlwahrscheinlichkeit des Gebäu-
des:
Anzahl der gezogenen Gebäude
pb = pOrt · .
Anzahl der Gebäude in einem Ort
Insgesamt ist die Auswahlwahrscheinlichkeit einer Person somit
1 1
pi = pb · · .
Anzahl der HH in einem Gebäude Anzahl der Personen im Haushalt
Weiter ist zu beachten, dass ein relevanter Teil der Bevölkerung in Deutschland
in Institutionen lebt (Altersheime, Studentenwohnheime, Bundeswehr, etc.). Diese
müssen bei der Ziehung ebenfalls berücksichtigt werden. Dies ist einfach durch Ein-
ordnen der Institutionen als den Gebäuden entsprechenden Einheiten zu erreichen.
Weitere Details finden sich in Schnell (2008).
In der dritten Stufe wird dann aus den gezogenen Haushalten die gewünschte
Menge an Individuen per einfacher Zufallsauswahl gezogen. Die praktische Um-
setzung erfolgte durch eine Tabelle, in der abhängig von der Anzahl der relevanten
Personen im Haushalt die Nummer des zu ziehenden Elements steht. Man spricht
bei diesem Verfahren auch von einem „Schwedenschlüssel“, engl. „kish-selection-
grid“.
6.6 Literatur
Da die mehrstufigen Auswahlverfahren in der Praxis sehr häufig angewendet wer-
den, bezieht sich ein großer Teil der aktuellen Forschungsliteratur auf solche Desi-
gns. Im Jahr 2007 wurde sogar eine im Internet frei verfügbare Zeitschrift gegrün-
det, die Zeitschrift „Survey Research Methods“, siehe Lynn und Schnell (2007).
Die mehrstufigen Verfahren zur Bestimmung von Populationsgrößen, die in der
Ökologie angewendet werden, wie z.B. Capture-Recapture Verfahren, werden in
dem Buch „Advanced Distance Sampling“ von Buckland, Anderson, und Burhham
(2008) ausführlich behandelt.
Eine aktuelle Zusammenfassung bieten zwei Sammelbände aus der Reihe Hand-
book of Statistics (Band 29A, 29B). Hier sind insbesondere Abschnitte über kom-
plexe Designs (Berger & Tillé, 2009) und über mehrphasige Stichproben (Legg &
Fuller, 2009) zu finden. Mit Erweiterungen von Regressionsschätzern auf komplexe-
re Designs haben sich Opsomer (2009) und Breidt und Oposmer (2009) beschäftigt.
Die Umsetzung mit R wird in dem Buch von Lumley (2010) behandelt.
6.7.1 Zweistufige Stichprobe

Wir stellen nachfolgend vor, wie eine zweistufige Stichprobe mit Hilfe des bereits
im vorherigen Kapitel besprochenen Pakets survey realisiert werden kann. Wir
beschränken uns in der Darstellung auf die Berechnung des Quotientenschätzers
bei zweistufigen Designs und auf die Berechnung des Hansen-Hurwitz-Schätzers
für den Fall der PPS-Ziehung. Für weitere komplexe Designs sei auf Lumley (2010)
verwiesen. Zur Berechnung werden wie bereits bei der einfachen Cluster-Stichprobe
die beiden Funktionen svydesign(·) und svymean(·) benutzt.
> svydesign(ids, probs=NULL,

+ fpc=NULL, data = NULL, weights=NULL, ...)
# ids Formula or data frame specifying cluster ids

# from largest level to smallest level,
# ~0 or ~1 is a formula for no clusters.
# probs Formula or data frame specifying cluster
# sampling probabilities
# fpc Finite population correction

# weights Formula or vector specifying sampling weights
# as an alternative to prob
# data Data frame to look up variables in the formula
# arguments
Wesentlich ist die Variable ids, mit der die Struktur, d.h. die Stufen der Ziehung
angegeben wird. Mit der Variable probs können die Auswahlwahrscheinlichkeiten
angegeben werden. Schließlich liefert die Variable data die Verbindung zu dem
entsprechenden Datensatz.
Die Schätzung erfolgt wieder durch die Funktion svymean(·).
> svymean(x, design, ...)

Mit x wird ein Formelobjekt übergeben, das im einfachsten Fall die Form ∼y
hat. Mit design wird das vorher definierte Stichprobendesign übergeben.
Wir betrachten eine zweistufige Stichprobe mit dem interessierenden Merkmal
y. Die Daten seien wie folgt gegeben.
> print(data)
cluster id nl Nl M y
1 1 1 4 100 23 23
2 1 2 4 100 23 33
3 1 3 4 100 23 24
4 1 4 4 100 23 25
5 2 1 3 50 23 72
6 2 2 3 50 23 74
7 2 3 3 50 23 71
8 3 1 2 75 23 37
9 3 2 2 75 23 42
Die Einheiten erster Stufe werden durch die Variable cluster definiert. Hier
wurden 3 Gruppen von insgesamt M = 23 Gruppen gezogen. Die Variable M wird
für die weitere Berechnung benötigt und ist daher in dem Datensatz als eigene Va-
riable gegeben. Weiter sind die Einheiten innerhalb der Gruppen mit der Variablen
id gekennzeichnet. Zusätzlich sind der jeweilige Stichprobenumfang und der Ge-
samtumfang der Gruppen durch die Variablen nl bzw. Nl gegeben.
Wir gehen zunächst von einer einfachen Zufallsstichprobe auf beiden Stufen aus
und berechnen den Quotientenschätzer Ȳ 2S,Q S nach Formel (6.6). Es gilt hierzu
das Stichprobendesign zu definieren. In der Variablen ids wird die Formel sequen-
tiell mit cluster+id angegeben. Die Variable cluster bezeichnet die Gruppen
(1. Stufe) und die Variable id die Individuen (2. Stufe). Entsprechend werden die
Populationsgrößen für den Korrekturfaktor für endliche Populationen angegeben.
Die Populationsgröße beträgt auf der ersten Stufe M, auf der zweiten Stufe Nl. Auch
dies wird sequentiell notiert als additive Formel M+Nl.
Da die Ziehung nach dem Prinzip der einfachen Zufallsstichprobe erfolgt, sind
keine weiteren Angaben zu der Variablen probs nötig. Das Stichprobendesign wird
folgendermaßen definiert.
> design.2S.QS <- svydesign(ids=~cluster+id, fpc=~M+Nl,

+ data=data)
> summary(design.2S.QS)
2 - level Cluster Sampling design

With (3, 9) clusters.
svydesign(ids = ~cluster + id, fpc = ~M + Nl, data = data)
Probabilities:
0.003478 0.005217 0.005217 0.005700 0.007826 0.007826
Population size (PSUs): 23
Data variables:
[1] "cluster" "id" "nl" "Nl" "M" "y"
Durch die summary(·)-Funktion wird das Design dargestellt, was zur Kontrol-
le sehr hilfreich ist. Sie liefert neben der Bezeichnung des Designs (hier 2-level
Cluster design) eine Beschreibung der Verteilung der Ziehungswahrscheinlichkei-
ten. In unserem Beispiel sind diese Nl nl
· 23
3
. Den kleinsten Wert erhält man für die
Untersuchungseinheiten 8 und 9. Da mit den inversen Auswahlwahrscheinlichkei-
ten gewichtet wird, können kleine Auswahlwahrscheinlichkeiten oder eine starke
Streuung der Auswahlwahrscheinlichkeiten zu Problemen führen.
Nach Definition des Designs kann nun der Schätzer für den Mittelwert der in-
teressierenden Größe wie schon im letzten Kapitel mit der Funktion svymean(·)
berechnet werden.
> svymean(~y, design.2S.QS)
mean SE
y 40.907 10.931
Die Varianzschätzung in dem survey-Paket basiert auf einer etwas anderen Ap-
proximationsformel als Formel (6.7). Die Details finden sich in Lumley (2010) und
sollen hier nicht weiter erörtert werden.
Ist bei der Auswahl der Gruppen keine einfache Zufallsauswahl vollzogen wor-
den, sondern wurden die Gruppen mit Auswahlwahrscheinlichkeit proportional zu
ihrer Gruppengröße gezogen, so müssen die entsprechenden Auswahlwahrschein-
lichkeiten bei der Spezifikation des Stichprobendesigns mit angegeben werden. Wie
in obigem Kapitel berechnet sind diese proportional zu nl und können in der Spezi-
fikation des Stichprobendesigns angegeben werden durch prob=∼nl. Die Kenntnis
des Gesamtumfangs N der Population ist nicht erforderlich. Die entsprechenden
Befehle lauten wie folgt.
> design.2S.HH <- svydesign(ids=~cluster+id, prob=~nl,

+ data=data)
> summary(design.2S.HH)
2 - level Cluster Sampling design (with replacement)

With (3, 9) clusters.
svydesign(ids = ~cluster + id, prob = ~nl, data = data)
Probabilities:
2.000 3.000 3.000 3.222 4.000 4.000
Data variables:
[1] "cluster" "id" "nl" "Nl" "M" "y"
Man beachte, dass wie im obigen Kapitel erwähnt die Berechnung der Varianz
bei einem reinen PPS Design schwierig ist und man statt dessen übergeht zu ei-
nem Design mit Zurücklegen und den entsprechenden Schätzer
Ȳ 2S,H H nach (6.10)
berechnet. Dies wird in der Zusammenfassung des Designs nach Aufruf der Funkti-
on summary(·) expilzit durch den Hinweis „with replacement“ angegeben. Der
entsprechende Schätzer ergibt sich nun wie gehabt durch
> svymean(~y, design.2S.HH)
mean SE
y 46.028 13.698
6.7.2 Modellbasierte zweiphasige Verfahren

Die Berechnung von modellbasierten zweiphasigen Schätzern ist im Prinzip auch
mit Hilfe des im vorigen Kapitel besprochenen R-Pakets survey möglich. Die Ver-
wendung der bereitgestellten Routinen ist jedoch recht komplex, so dass wir hier
auf die in Abschn. 3.7 besprochene Funktion mbes(·) zurückgreifen.
Wir illustrieren das Vorgehen anhand des Beispiels 6.6 (siehe S. 207). Dazu ge-
ben wir zunächst die entsprechenden Daten an, die im Prinpzip einem Datensatz mit
1 000 Einträgen entsprechen würden. Diese n
= 1 000 Individuen wurden in der er-
sten Phase gezogen, wovon n = 100 in der zweiten Phase bezüglich des Merkmals
Y noch einmal erhoben wurden. Das heißt für Merkmal Y liegt nur Information von
100 Individuen vor. Ein entsprechender Datensatz sieht wie folgt aus
Tabelle 6.2 Datensatz (gekürzt) einer zweiphasigen Stichprobe

id x y phase
1 1 1 2
2 1 1 2
...
10 1 1 2
11 0 1 2
...
15 0 1 2
16 0 0 2
...
100 0 0 2
101 1 NA 1
...
170 1 NA 1
171 0 NA 1
...
999 0 NA 1
1000 0 NA 1
Dabei entspricht die Variable x (x=1 für „defekt“ und x=0 für „in Ordnung“) der
ersten einfachen Kontrolle, die in der ersten Phase durchgeführt wird. Die Varia-
ble y bezeichnet die zweite (genaue) Kontrolle (y=1 für „defekt“ und y=0 für „in
Ordnung“). Die Variable phase gibt an, zu welcher Phase die Daten gehören.
Da es sich um binäre Daten handelt, kann der Datensatz aufgrund der Angaben
aus der Vierfeldertafel auf S. 207 wie folgt erzeugt werden.
> id <- 1:1000

> x <- rep(c(1, 0, 1, 0), times=c(10, 90, 70, 830))
> y <- rep(c(1, 0, NA), times=c(15, 85, 900))
> phase <- c(rep(2, 100), rep(1, 900))
> data <- data.frame(id, x, y, phase)
> head(data)
id x y phase
1 1 1 1 2
2 2 1 1 2
3 3 1 1 2
4 4 1 1 2
5 5 1 1 2
6 6 1 1 2
Um nun die Quotientenschätzung in der zweiten Phase durchzuführen, müssen

der Mittelwert von x und der Gesamtumfang der ersten Phase berechnet werden. Da
die Stichprobe der ersten Phase als Grundgesamtheit in der zweiten Phase betrachtet
wird, müssen die Parameter entsprechend übergeben werden.
> mean.x <- mean(data$x)

> mean.x
[1] 0.08
> N1 <- length(data$x)

> N1
[1] 1000
> est.y <- mbes(y~x, data=data, aux=mean.x, N=N1,

+ method='ratio')
> est.y


X.mean.1 = 0.08, x.mean.1 = 0.1
----------------------------------------------------------------
Ratio Estimate
Mean estimate: 0.12

In Bezug auf den Mittelwertschätzer stellt der Quotientenschätzer bereits das

endgültige Ergebnis dar. Der Standardfehler ist allerdings noch nicht korrekt, da er
die Unsicherheit in der ersten Phase nicht berücksichtigt. Diese wird durch folgende
Befehle hinzugefügt:
> v.y <- var(data$y, na.rm=TRUE)

> v.y
[1] 0.1287879
> se.y <- sqrt(est.y$ratio$se^2 + v.y/N1)

> se.y
[1] 0.02847114
Das endgültige Konfidenzintervall ist dann
> lower <- est.y$ratio$mean - qnorm(0.975)*se.y

> upper <- est.y$ratio$mean + qnorm(0.975)*se.y
> c(lower,upper)
[1] 0.06419758 0.17580242
Man erkennt, dass der Standardfehler sich nicht wesentlich von dem der zweiten
Phase unterscheidet. Dies ist mit dem relativ hohen Stichprobenumfang (n
= 1 000)
in der ersten Phase zu erklären.
Das hier beschriebene Vorgehen ist für die drei Typen von designbasierten Schät-
zern unmittelbar übertragbar. Bei komplexeren Designs kann die – allerdings etwas
schwer zu benutzende – Prozedur twophase(·) des Pakets survey verwendet wer-
den, siehe Lumley (2010).
6.7.3 Zweiphasige geschichtete Stichprobe

Im Folgenden wollen wir die Umsetzung einer zweiphasigen geschichteten Stich-
probe zeigen, zu der das Stichprobendesign mit der Funktion twophase(·) definiert
wird.
> twophase(id, strata = NULL, probs = NULL, weights = NULL,

+ fpc = NULL, subset, data)
# id list of two formulas for sampling unit identifiers

# strata list of two formulas (or NULLs) for stratum identifiers
# probs list of two formulas (or NULLs) for sampling
# probabilities
# weights list of two formulas (or NULLs) for sampling weights
# fpc list of two formulas (or NULLs) for finite
# population corrections
# subset formula specifying which observations are selected
# in phase 2
# data Data frame with all data for phase 1 and 2
Wie gehabt gibt id die Identifikationsnummern der gezogenen Individuen in der

ersten bzw. zweiten Phase an. Mit strata werden die Schichten angegeben. Die
Angabe der Auswahlwahrscheinlichkeiten erfolgt über probs bzw. die Angabe der
inversen Auswahlwahrscheinlichkeiten über weights. Korrekturfaktoren für endli-
che Populationen sind mit fpc zur Verfügung gestellt, wobei NULL bedeutet, dass
die Populationsgröße unbekannt ist. Die Angabe der Phasen erfolgt mit subset und
schließlich wird mit data der entsprechende Datensatzname übergeben.
Wir greifen Beispiel 6.6 nochmals auf. Die Daten stehen gemäß Tabelle 6.2
zur Verfügung bzw. sind wie oben beschrieben eingelesen. Nun betrachten wir die
Variable x als Schichtungsmerkmal. Da zur Definition des Stichprobendesigns die
Schichtgrößen n
h in der ersten Phase benötigt werden, wird diese Information zuerst
durch die Variable nh.strich in den Datensatz aufgenommen.
> data$nh.strich <- NA

> data$nh.strich[data$x==1] <- 80
> data$nh.strich[data$x==0] <- 920
Anschließend bestimmen wir das Design. Gezogen werden in der ersten und
zweiten Phase die Individuen id. Die Ziehung der ersten Phase ist nicht geschichtet,
deshalb wird für strata der Wert NULL übergeben, die zweite Phase ist durch die
Variable x geschichtet. Die zweite Phase wird durch subset spezifiziert, wobei
die unten stehende Angabe durch die Funktion I(·) bewirkt, dass erst die ent-
sprechende Auswertung phase==2 durchgeführt wird. Schließlich sind die Popu-
lationsgrößen für die Phasen durch fpc angegeben. Der Funktionsaufruf ist somit
wie folgt.
> design.2P.GS <- twophase(id=list(~id,~id),

+ strata=list(NULL,~x),
+ subset = ~I(phase==2),
+ fpc=list(NULL,~nh.strich),
+ data = data)
> summary(design.2P.GS)
Two-phase sparse-matrix design:

twophase2(id = id, strata = strata, probs = probs, fpc = fpc,
subset = subset, data = data)
Phase 1:
Independent Sampling design (with replacement)
svydesign(id = ~id)
Probabilities:
1 1 1 1 1 1
Phase 2:
Stratified Independent Sampling design
svydesign(id = ~id, strata = ~x, fpc = ~nh.strich)
Probabilities:
0.09783 0.09783 0.09783 0.10050 0.09783 0.12500
Stratum Sizes:
0 1
obs 90 10
design.PSU 90 10
actual.PSU 90 10
Population stratum sizes (PSUs):
0 1
920 80
Data variables:
[1] "id" "x" "y" "phase" "nh.strich"
Der entsprechende Schätzer der zweiphasigen geschichteten Stichprobe ergibt

sich durch den Befehl svymean(·).
> svymean(~y, design.2P.GS)
mean SE
y 0.13111 0.0238
Es muss vermerkt werden, dass die Berechnung der Varianzen mit svymean(·) ap-
proximativ ist, siehe Lumley (2010). Letztendlich ist die Approximation allerdings
in konkreten Anwendungen hinreichend genau, so dass den Ergebnissen der Funk-
tion Vertrauen geschenkt werden kann.
Kapitel 7
Probleme in der Anwendung
In diesem Kapitel sollen einige konkrete und in der Anwendung besonders relevante
Probleme diskutiert werden. Zunächst beschäftigen wir uns kurz mit räumlichen
Stichproben und deren Besonderheiten. Weitergehend greifen wir den Punkt von
fehlenden Werten auf. Bei der Behandlung von fehlenden Werten lassen sich häufig
nur prinzipielle Überlegungen zu möglichen Verzerrungen der Ergebnisse machen.
Auch wenn in der Literatur einige Ansätze zur Behandlung fehlender Werte bereit
stehen, sind diese häufig wegen des Fehlens der entsprechenden Information nicht
anwendbar. Wir beschränken uns daher nur auf die Grundlagen und verweisen für
die Verfahren auf die Literatur.
Ein weiterer Abschnitt des Kapitels ist dem Thema Anonymisierung von Da-
ten und sogenannten Randomized-Response-Techniken gewidmet. Diese Verfah-
ren weisen starke Analogien zur Theorie von Messfehlern und falschen Antworten
auf, die wir in Abschn. 7.4 behandeln. In der Praxis werden Probleme der Nicht-
Beantwortung bzw. Nicht-Erreichbarkeit mit Strategien der nachträglichen Schich-
tung verbunden, indem Stichprobengewichte eingeführt werden. Diesem Ansatz ist
der letzte Abschnitt des Kapitels gewidmet.
7.1 Räumliche Stichproben

Erhebungen, bei denen die Untersuchungseinheiten räumlich definiert sind, spielen
in der Anwendung eine zunehmende Rolle. Beispiele sind hier in der Umweltstati-
stik, der Wildbiologie und der Epidemiologie zu finden. Typischerweise besteht die
Population aus räumlichen Einheiten (z.B. Planquadrate, Bezirke) und die Merk-
male sind solche, die die Umweltbelastung charakterisieren, die Häufigkeit des
Vorkommens einer Tierart, oder auch die Inzidenz von bestimmten Krankheiten.
Das Ziel der Erhebungen kann einerseits in der Bestimmung des Gesamtmittels
von bestimmten Merkmalen liegen, andererseits ist man häufig an Charakteristika
der gesamten räumlichen Struktur interessiert. Diese werden üblicherweise durch
eine Landkarte dargestellt. Ein Beispiel dafür ist der sogenannte Krebsatlas, wo

224 7 Probleme in der Anwendung
(standardisierte) Krebshäufigkeiten in Regionen dargestellt werden. Bei den Ver-

fahren der räumlichen Statistik geht man davon aus, dass Untersuchungseinheiten,
die benachbart sind, also räumlich beieinander liegen, ähnliche Werte in den Merk-
malen aufweisen, also miteinander korreliert sind.
Bei der Frage der Schätzung des Gesamtmittels können wir auf die bereits
besprochenen Verfahren der geschichteten, der Cluster-Stichprobe und der syste-
matischen Stichprobe zurückgreifen. Da nach dem Schichtungsprinzip die Streu-
ung der Merkmale innerhalb der Schichten gering sein soll, ist offensichtlich eine
Schichtung in zusammenhängende Regionen, deren Einheiten eine möglichst ge-
ringe räumliche Entfernung haben, sinnvoll. Matérn (1986) hat die Frage nach der
besten geometrischen Form für die entsprechenden Schichten untersucht. Er geht
davon aus, dass die Korrelation zwischen den Einheiten unabhängig von der Rich-
tung mit der Entfernung monoton abnimmt. Dies ist eine plausible Annahme, wenn
keine zusätzlichen Informationen vorliegen. Es zeigt sich dann, dass Schichten von
kreisförmiger, sechseckiger, quadratischer Form in dieser Reihenfolge die höchste
Effizienz aufweisen. Allerdings sind die Unterschiede in diesen Formen nicht beson-
ders groß und daher wählt man häufig quadratische Schichten, da eine Aufteilung
in kreisförmige Schichten eher schwierig ist. Zu beachten ist aber, dass quadrati-
sche Schichten wesentlich effizienter sind als rechteckige Schichten mit ungleichen
Seitenlängen. Dies ist in Abb. 7.1 dargestellt.
In der Umweltforschung sind räumliche Stichproben von großer Bedeutung.
Hier liegen in der Regel a priori Informationen zu räumlichen Hilfsgrößen vor, so
dass typischerweise designbasierte Stichprobenverfahren (geschichtete Stichprobe,
mehrstufige Verfahren) zur Anwendung kommen. Zu beachten ist bei räumli-
chen Stichproben, dass die Zielsetzung häufig nicht nur die Bestimmung des Po-
pulationsmittels, sondern eine Abschätzung der gesamten räumlichen Verteilung
ist.
Weiter wurden sogenannte adaptive Verfahren entwickelt. Hierbei wird die Zie-
hung der Einheiten schrittweise durchgeführt und die Ziehung neuer Komponen-
ten hängt von den Ergebnissen der bisherigen Ziehungen ab. Wenn man sich bei-
Abb. 7.1 Aufteilung in Schichten in Form von Quadraten (links) ist meist wesentlich effizienter
als die Aufteilung in Rechtecke (rechts)
7.2 Fehlende Werte und nicht erreichbare Individuen 225
spielsweise für die Schadstoffbelastung im Boden interessiert und man hat in einem
Planquadrat eine hohe Belastung gefunden, erlaubt ein adaptives Verfahren, dass
dann die Ziehungswahrscheinlichkeit für benachbarte Einheiten höher angesetzt
wird. Dieses Vorgehen muss natürlich bei der Parameterschätzung berücksichtigt
werden. Eine Einführung zu diesen Verfahren ist in Thompson (2002) zu finden.
Ein aktueller Überblick zu räumlichen Stichproben in der Umweltforschung findet
sich in Marker und Stevens (2009).
7.2 Fehlende Werte und nicht erreichbare Individuen

Bei der konkreten Durchführung von Erhebungen tritt häufig das Problem auf, dass
nicht alle Daten korrekt erhoben werden können. Dies kann vielfältige Ursachen
haben. Führt man z.B. eine Befragung durch, kann es vorkommen, dass die ausge-
wählte Person nicht auffindbar ist oder sich weigert, an der Untersuchung teilzuneh-
men („Unit-Non-Response“). Ebenso kann eine Person auch nur die Beantwortung
einzelner Fragen verweigern („Item-Non-Response“). Das Auftreten von fehlenden
Werten ist eine der Hauptquellen von systematischen Fehlern bei der Auswertung
von Stichprobendaten. Daher ist der Effekt und die Entwicklung von Korrekturver-
fahren Gegenstand aktueller Forschung, siehe z.B. Groves, Dillman, Eltinge, und
Little (2002).
Wir verwenden die folgenden Formulierungen.
• Als antwortbereit bezeichnen wir die Personen in der Grundgesamtheit, die er-
reichbar, gewillt und fähig sind, die gestellte Frage zu beantworten. Für antwort-
bereite Personen erhält man somit eine gültige Antwort, falls diese in die Stich-
probe gezogen werden. Falls die Untersuchungseinheiten keine Personen sind,
fallen auf andere Weise erhebbare Werte in diesen Bereich. Entscheidend ist ein
gültiger resultierender Wert.
• Als nicht antwortbereit bezeichnen wir die Personen in der Grundgesamtheit,
die nicht erreichbar sind oder erreichbar sind, aber die gestellte Frage nicht beant-
worten wollen oder können. Für nicht antwortbereite Personen erhält man somit
aus unterschiedlichen Gründen keine gültige Antwort, falls diese in die Stichpro-
be gezogen werden. Falls die Untersuchungseinheiten keine Personen sind, fallen
aus anderen Gründen nicht erhebbare Werte in diesen Bereich. Entscheidend ist
ein fehlender Wert.
• Als Antworter bezeichnen wir die Personen bzw. Untersuchungseinheiten, die
in die Stichprobe gezogen wurden und für die ein gültiger Wert erhoben werden
konnte.
• Als Antwortverweigerer bezeichen wir die Personen bzw. Untersuchungsein-
heiten, die in die Stichprobe gezogen wurden, für die aber dennoch kein gültiger
Wert erhoben werden konnte.
Wir verwenden die folgende Notation:

Fehlende Werte und nicht erreichbare Individuen
Unter Verwendung der obigen Definiton von Antwortbereitschaft notieren

wir:
In der Grundgesamtheit:
G Grundgesamtheit
Ȳ Mittelwert in der Grundgesamtheit
G1 Anzahl antwortbereiter Personen

W1 = |G 1 |/|G| Anteil antwortbereiter Personen
Ȳ1 Mittelwert der antwortbereiten Personen
G2 Anzahl nicht antwortbereiter Personen

W2 = |G 2 |/|G| Anteil nicht antwortbereiter Personen
Ȳ2 Mittelwert nicht antwortbereiter Personen
In der Stichprobe:
n geplanter Stichprobenumfang
n1 realisierter Stichprobenumfang
y11 , . . . , y1n 1 tatsächlich beobachtete Werte
ȳ1 Mittelwert der Antworter
n2 = n − n1 Differenz zwischen geplantem und realisiertem

Stichprobenumfang
y21 , . . . , y2n 2 nicht erhebbare Werte
ȳ2 unbekannter Mittelwert der Antwortverweigerer
Wir betrachten zunächst ein einfaches Grundmodell zum besseren Verständnis

der Wirkung von fehlenden Daten auf die Schätzung der entsprechenden Parameter.
Dazu teilen wir eine Grundgesamtheit von Personen in zwei Teile. Der erste Teil G 1
besteht aus den Personen, die eine Frage zum Merkmal Y (z.B. Einkommen) korrekt
beantworten. Der zweite Teil G 2 besteht aus den nicht antwortbereiten Personen.
Die Anteile der beiden Gruppen an der Grundgesamtheit G = G 1 ∪ G 2 bezeichnen
wir mit
• W1 = |G 1 |/|G| für die Gruppe der antwortbereiten Personen und mit

• W2 = |G 2 |/|G| = 1 − W1 für die Gruppe der nicht antwortbereiten Personen.
Für das arithmetische Mittel der Variable Y in der Grundgesamtheit gilt:
Ȳ = W1 Ȳ1 + W2 Ȳ2 = W1 Ȳ1 + (1 − W1 )Ȳ2 .
Bei der Auswertung einer Stichprobe können die Personen, die zu G 2 gehören
und somit nicht geantwortet haben, nicht in die Schätzung einbezogen werden. Wir
verwenden im Folgenden die Notation aus der nachträglich geschichteten Stich-
probe. Mit y11 , . . . , y1n 1 werden die tatsächlich beobachteten Werte der Stichprobe
bezeichnet, mit y21 , . . . , y2n 2 die nicht erhebbaren Werte der nicht antwortenden
Personen.
Zur Schätzung von Ȳ ist es naheliegend, das arithmetische Mittel der beobachte-
ten Werte („complete cases“) zu verwenden:
n1

Ȳ CC = y1k = ȳ1 . (7.1)
n1
k=1
Für den Erwartungswert von

Ȳ CC gilt offensichtlich

E Ȳ CC = Ȳ1 . (7.2)
Der Bias von

Ȳ CC ist somit

E Ȳ CC − Ȳ = Ȳ1 − Ȳ (7.3)
= Ȳ1 − (W1 Ȳ1 + (1 − W1 )Ȳ2 )
= (1 − W1 )(Ȳ1 − Ȳ2 ).
Aus dieser einfachen Formel sind folgende Eigenschaften der Verzerrung durch
Antwortverweigerung abzuleiten:
1. Die Verzerrung hängt von der Größe des Unterschieds der Mittelwerte Ȳ1 und Ȳ2
ab. Sind beide Mittelwerte gleich, so gibt es keine Verzerrung. Im konkreten Fall
ist dies natürlich schwer zu entscheiden, da für die Antwortverweigerer keine
Daten vorliegen. Hierzu sind häufig inhaltliche Überlegungen nötig. Im Fall des
Einkommens ist also zu überlegen, ob die Antwortverweigerer eher Personen mit
überdurchschnittlichem Einkommen sind oder diejenigen mit unterdurchschnitt-
lichem Einkommen. Falls das Einkommen und die Bereitschaft zu antworten
voneinander unabhängig sind, d.h. die Durchschnittseinkommen von Antwortern
und Antwortverweigerern praktisch identisch sind, gibt es keinen systematischen
Fehler.
2. Die Verzerrung ist weiterhin von dem Anteil der Antwortverweigerer abhängig.
Je höher dieser ist, desto größer ist der systematische Fehler. Allerdings lassen
sich daraus keine allgemeingültigen Regeln, wie z.B. „Bei einer Rate von 80%
Antwortern ist der Fehler durch Antwortverweigerung vernachlässigbar“ ablei-
ten, da die Verzerrung (wie unter Punkt 1 beschrieben) auch von der Größe des
Unterschieds der Mittelwerte Ȳ1 und Ȳ2 abhängt.
Complete Case Schätzer
Zur Schätzung von Ȳ wird das arithmetische Mittel der beobachteten Werte
(„complete cases“) verwendet.
n1

Ȳ CC = y1k = ȳ1 .
n1
k=1
Der Erwartungswert von

Ȳ CC ist

E Ȳ CC = Ȳ1 .
Der Bias von

Ȳ CC ist

E Ȳ CC − Ȳ = Ȳ1 − Ȳ = (1 − W1 )(Ȳ1 − Ȳ2 )
Beispiel 7.1: Stadtratswahl in München

Bei Stadtratswahlen in Bayern können entweder Listen von Parteien angekreuzt
werden oder einzelne Personen aus verschiedenen Listen gewählt werden. Dabei
hat jede Wählerin/jeder Wähler so viele Stimmen, wie es Sitze in dem entspre-
chenden Stadtrat gibt. In München können die Wahlberechtigten also 80 Stim-
men verteilen. Dazu haben sie die Möglichkeit die Liste einer Partei anzukreuzen
(dann erhält die Partei alle 80 Stimmen) oder einzelne Personen aus verschiede-
nen Parteilisten anzukreuzen. Die Verteilung der Mandate richtet sich nach der
Gesamtzahl der Stimmen für die Kandidaten der einzelnen Parteien.
Es gibt also zwei Typen von Wählern, die Listenwähler und die Persönlich-
keitswähler. Bei der Stadtratswahl in München 1996 wurden zunächst die Stim-
men der Listenwähler ausgezählt. Diese wurden als Grundlage der Berichterstat-
tung über die Wahl verwendet. Es handelt sich hierbei zwar nicht um ein Problem
durch Antwortverweigerung im engeren Sinne, wir können aber die Persönlich-
keitswähler als „Antwortverweigerer“ betrachten, da diese nicht in die Auswer-
tung einbezogen wurden. Das Ergebnis lautete (SZ vom 11.03.1996):
Partei Anteil
CSU 40,7
SPD 37,9
Grüne 7,7
FDP 2,9
Der Anteil der Listenwähler lag bei ca. 70%.

Wenden wir nun unsere Überlegungen von oben (7.3) an, erhält man beispiels-
weise für den Anteil der Wähler der Grünen Y (G) folgenden Bias:
Bias = (1 − W1 )(Ȳ1 − Ȳ2 ) = 0, 3 · (Ȳ1 − Ȳ2 ).
Dabei wird der Anteil der Grünen-Wähler bei den Listenwählern mit Ȳ1 und
der Anteil der Persönlichkeitswähler (noch nicht ausgezählt) mit Ȳ2 bezeichnet.
Der Bias hängt also vom Unterschied der Anteile bei den Listenwählern und
den Persönlichkeitswählern ab. Um für diese eine Einschätzung zu erhalten, hätte
man Ergebnisse der letzten Wahl heranziehen können. Es stellte sich nach der
Auszählung aller Stimmen heraus, dass der Unterschied erheblich war. Die SZ
titelte am Dienstag „Das Blatt wendet sich zugunsten von Rot-Grün“. In der
folgenden Tabelle sind die Endergebnisse beider Wählergruppen und der Bias
dargestellt.
Partei Anteile Listenwähler Anteile Personenwähler Gesamt Bias

Ȳ1 Ȳ2 Ȳ
CSU 40,7 31,4 37,9 2,8
SPD 37,9 36,2 37,4 0,5
Grüne 7,7 14,0 9,6 −1,9
FDP 2,9 4,2 3,3 −0,4
Das obige Beispiel zeigt deutlich, dass die Betrachtung von Teilen der Grundge-
samtheit zu erheblichen Verzerrungen führen kann. Obwohl die „Stichprobe“ hier
sehr groß ist (70%), ist der direkte Schluss auf die Grundgesamtheit nicht korrekt.
Eine Zufallsstichprobe hätte sicherlich zu besseren Ergebnissen geführt (siehe dazu
auch Abschn. 2.3). Generell kommen durch das Auftreten von fehlenden Werten
bzw. Antwortverweigerern möglicherweise nicht-zufällige, d.h. systematische und
damit verzerrende Effekte zur Wirkung.
Beispiel 7.2: Telefonische Befragung und Nicht-Antworter-Verhalten bei einer

Befragung zur Erwerbstätigkeit
Asef und Riede (2006) diskutieren mögliche Effekte des Nicht-Antworter--
Verhaltens in Zusammenhang mit der Erhebungsstrategie. Bei einer telefonischen
Befragung des Statistischen Bundesamtes (Wiesbaden) wurde eine Zufallsstich-
probe aus den für den Mikrozensus ausgewählten Haushalten gezogen. Ein zen-
trales Merkmal war hierbei die Art der Berufstätigkeit der befragten Personen mit
den Antwortmöglichkeiten „erwerbstätig“, „erwerbslos“ und „Nichterwerbsper-
son“.
Dabei wurde eine zweistufige Stichprobe gezogen. Zunächst wurde ein Haus-
halt nach dem sogenannten Gabler-Häder Verfahren ausgewählt. Es handelt sich
dabei um eine Technik zur Durchführung von Telefonstichproben, siehe dazu
Gabler und Häder (1999). Danach wurde aus den in dem Haushalt lebenden
Personen zwischen 15 und 74 Jahren eine Person nach dem Prinzip der einfa-
chen Zufallsstichprobe gezogen. Die praktische Umsetzung erfolgte durch eine
Tabelle, in der abhängig von der Anzahl der relevanten Personen im Haushalt
die Nummer des zu ziehenden Elements steht. Man spricht bei diesem Verfahren
auch von einem „Schwedenschlüssel“, engl. „kish-selection-grid“.
Die Erhebung wurde zu zwei verschiedenen Zeitpunkten wiederholt und es
stellte sich heraus, dass es völlig unplausible Unterschiede zwischen den zwei
Erhebungen gab. In der Pilotstudie lag die Schätzung der erwerbstätigen Personen
bei über 39 Mio. und in der Hauptstudie bei unter 38 Mio. Der einzige nennens-
werte methodische Unterschied zwischen diesen beiden Erhebungen bestand in
der Tageszeit, zu der die Haushalte angerufen wurden. Bei der einen Erhebung
wurde zwischen 9 und 21 Uhr angerufen und bei der zweiten Erhebung nur zwi-
schen 17 und 21 Uhr. Das bekannte Problem, dass berufstätige, allein lebende
Personen tagsüber nicht telefonisch erreichbar sind, sollte in beiden Erhebungen
dadurch gelöst werden, dass im Fall des Nicht-Antreffens der ausgewählten Per-
sonen ein weiterer Versuch der Kontaktaufnahme zwischen 20 und 21 Uhr erfolg-
te. Also kann der Unterschied in der Verteilung der Berufsgruppen zwischen den
beiden Erhebungen nicht direkt auf dieses Problem zurückgeführt werden.
Eine weitere Analyse des Nicht-Antworter-Verhaltens ergab, dass bei einer
solchen freiwilligen Befragung mehrere Hürden zu überwinden sind. Zunächst
können die Angerufenen die Teilnahme direkt verweigern. Das trat in beiden
Befragungen in 40% der Fälle auf. Nach der prinzipiellen Bereitschaft zur Teil-
nahme gibt der Angerufene die Zahl der in dem Haushalt lebenden Personen im
entsprechenden Alter an. Dann wird mit dem Schwedenschlüssel die Zielperson
ermittelt. Ist diese die Person am Telefon, so wird das Interview direkt durch-
geführt. Da im Laufe des Interviews einige wenige Personen abbrechen, kommt
es in 95% der Fälle zu einer erfolgreichen Erhebung. Stimmt die Person nicht
mit der Zielperson überein, kommt es zu einer höheren Ausfallrate (ca. 32%),
da die andere Person von sich aus die Antwort verweigern kann oder nicht er-
reichbar ist. Das Auftreten von fehlenden Werten hängt also stark davon ab, ob
die Person am Telefon die Zielperson ist. In Tabelle 7.1 sind die Ergebnisse nach
der Frage der Erwerbstätigkeit bei den beiden Befragungen dargestellt. Man er-
kennt, dass der Anteil der Erwerbstätigen bei den Personen, die direkt befragt
Tabelle 7.1 Ergebnisse zweier Telefonbefragungen zur Erwerbstätigkeit nach Asef und Riede
(2006). Der wesentliche Unterschied der beiden Befragungen lag in der Zeit der ersten Kontakt-
aufnahme
Erstkontakt vor 17 Uhr Erstkontakt nach 17 Uhr
Kontaktperson = Zielperson = Zielperson = Zielperson = Zielperson
(%) (%) (%) (%)
Anteil 55 45 54 46
erfolgreiches 94 68 95 67
Interview
Erwerbstätigkeit 55 63 67 69
werden (Kontaktperson = Zielperson) in der Erhebung mit Kontaktaufnahme vor

17 Uhr deutlich niedriger ist (55 vs. 67%). Dieser durch die häufigere Abwesen-
heit von Erwerbstätigen erklärbare Effekt führt zu dem Unterschied zwischen den
Erhebungen.
Das Beispiel zeigt, dass Gründe für Verzerrungen sehr komplex sein können und
es stellt sich die Frage nach der Korrektur bzw. der Vermeidung von Verzerrungen.
Eine Strategie mit Nicht-Beantwortern umzugehen, besteht in Nacherhebungen bei
den Antwortverweigerern. Dies wurde bereits in Abschn. 6.1 genauer dargestellt.
Eine Nacherhebung kann jedoch in vielen Fällen nicht umgesetzt werden, da die
Personen weiterhin die Antwort verweigern. Dann können statistische Modelle zur
Korrektur verwendet werden, siehe Groves et al. (2002). Strategien, die auf einer
Gewichtung beruhen, diskutieren wir in Abschn. 7.5.2. Weiter ist zu beachten, dass
die Nicht-Beantworter Problematik durch die Verwendung von alternativen Designs
und/oder durch modellbasierte Verfahren entschärft werden kann.
Betrachten wir z.B. eine geschichtete Stichprobe. Dann ergibt sich der Mittel-
wert eines Merkmals Y als
M
Nh
Ȳ = · Ȳh .
N
h=1
Teilt man nun die Grundgesamtheit in Antworter und Nicht-Antworter ein, so

ergibt sich daraus eine entsprechende Einteilung der Schichten. Bezeichnen wir mit
Ȳh1 , h = 1, . . . , M, jeweils die Mittelwerte der erreichbaren und antwortbereiten
Personen der einzelnen Schichten. Dann wird aus der Stichprobe unter Verwendung
der Antworter der Complete Case Schätzer
M
Nh

Ȳ CC,G S = · ȳh1
N
h=1
verwendet.
Der Erwartungswert des Schätzers ist

M
Nh
E Ȳ CC,G S = · Ȳh1 .
N
h=1
Der Bias ergibt sich aus (7.3) zu

M
Nh

E Ȳ CC,G S − Ȳ = · (1 − Wh1 ) · (Ȳh1 − Ȳh2 ). (7.4)
N
h=1
Hierbei bezeichnet Wh1 den Anteil der Antworter in Schicht h und Ȳh1 bzw. Ȳh2
die Mittelwerte der Antworter bzw. Nichtantworter in Schicht h. Die Formel (7.4)
zeigt, dass sich der Antwortverweigerer-Bias aus den entsprechenden Größen in-
nerhalb der Schichten ergibt. Somit werden Effekte vermieden, die daher kommen,
dass das Antworterverhalten in den Schichten unterschiedlich ist, wie folgendes hy-
pothetisches Beispiel zeigt.
Beispiel 7.3: Bei einem bestimmten Produkt wird der Preis erhoben, den
eine Person zu zahlen bereit ist. Der Mittelwert in der Grundgesamtheit liegt
bei den Frauen bei 16 e und bei den Männern bei 10 e. Ausgehend von ei-
nem Frauenanteil von 0,5 ergibt sich ein Mittelwert in der Grundgesamtheit von
0,5 · 16 + 0,5 · 10 = 13 e.
Gehen wir davon aus, dass bei einer Befragung alle Männer antworten und
die Frauen zu 50% die Antwort verweigern, kann dies auch zu einer Verzerrung
führen, wenn die Antwortverweigerer unter den Frauen den gleichen Mittelwert
haben wie die antwortenden Frauen.
Frauen Männer Gesamt

Anteile in der Grundgesamtheit 0,5 0,5 1
Anteil Antworter innerhalb der Gruppen 0,5 1 0,75
Mittelwert Antworter 16 10 12
Mittelwert Antwortverweigerer 16 – 16
Mitte 16 10 13
Bei einer einfachen Zufallsstichprobe liegt der Erwartungswert der antworten-

den Personen bei 13 · 16 + 23 · 10 = 12 e. Diese Verzerrung durch das Übergewicht
der Männer in der Stichprobe kann durch (nachträgliche) Schichtung behoben
werden. Dies gilt allerdings nicht, wenn die nicht antwortenden Frauen im Mittel
deutlich andere Angaben machen als die antwortenden Frauen.
Der in dem Beispiel angesprochene Effekt kann auf komplexere Situationen
übertragen werden. In den meisten Fällen wird Verzerrung durch Verwendung von
modellbasierten Schätzverfahren reduziert. Strategien zur Reduktion der Verzerrung
durch Gewichtung werden in Abschn. 7.5 vorgestellt.
7.3 Behandlung delikater Fragen und Anonymisierung

von Daten
Bei kritischen oder peinlichen Fragen wie „Nehmen Sie Drogen?“ oder „Haben Sie
letztes Jahr Steuern hinterzogen?“ ist es offensichtlich schwer, korrekte Antworten
zu erhalten. Einerseits werden viele Personen diese Frage nicht wahrheitsgemäß
beantworten, andererseits könnte es für den Interviewer problematisch sein, wenn
solche Fragen mit „Ja“ beantwortet würden. Er oder sie wäre evtl. verpflichtet, die
Person anzuzeigen, was mit einer wissenschaftlichen Untersuchung nicht vereinbar
wäre. Für solche Situationen wurde die sog. „Randomized-Response“-Technik ent-
7.3 Behandlung delikater Fragen und Anonymisierungvon Daten 233
wickelt, die von Warner (1965) vorgeschlagen worden ist. Die Methode ist in vie-
lerlei Hinsicht modifiziert worden, wobei der Originalvorschlag wie folgt ist.
Auf einen Satz von (Spiel-)Karten wird entweder die Frage „Erfüllen Sie die
Eigenschaft A?“ oder die Gegenfrage „Erfüllen Sie nicht die Eigenschaft A?“ ge-
schrieben. Der Befragte zieht zufällig eine Karte, ohne dass der Interviewer weiß,
zu welcher der beiden Typen die entsprechende Karte gehört. Dann wird die Frage
mit „Ja“ oder „Nein“ beantwortet. Es ist nun gesichert, dass dem Interviewer nicht
bekannt ist, auf welche der beiden Fragen der Befragte geantwortet hat. Damit wird
die Bereitschaft erhöht die Frage korrekt zu beantworten.
Wie lassen sich aus den Daten dennoch Informationen gewinnen? Der Schlüs-
sel dazu liegt darin, dass die Anzahl der verschiedenen Typen von Karten nicht
im Verhältnis 1 : 1 stehen, sondern z.B. im Verhältnis 4 : 1 (oder 3 : 1). Das
bedeutet, dass die Wahrscheinlichkeit, dass die Frage lautet „Erfüllen Sie die Ei-
genschaft A?“ 80% (bzw. 75%) beträgt und die Gegenfrage die Wahrscheinlichkeit
20% (bzw. 25%) hat. Wir zeigen im Folgenden, wie man aus den so gewonnenen
Daten Schätzungen für die entsprechenden Anteile erhält. Dazu führen wir folgende
Bezeichnungen ein.
Behandlung delikater Fragen und Anonymisierung von Daten
n Stichprobenumfang
A interessierende Eigenschaft der Person

pA Wahrscheinlichkeit, mit der die Frage nach der
Eigenschaft A gezogen wird
1 − pA Wahrscheinlichkeit, mit der die Gegenfrage gezogen wird
Yi∗ ∈ {0, 1} Antwort der i-ten zufällig ausgewählten Person

n auf die zufällige Frage (1=ja, 0=nein)
nY ∗ = ∗
i=1 Yi Anzahl der Personen, die auf die zufällige Frage
mit „Ja“ antworten (bei n befragten Personen)
nY ∗
pY ∗ = n beobachteter Anteil der Personen, die auf die zufällige
Frage
mit „Ja“ antworten
PY ∗ erwarteter Anteil der Personen, die auf die zufällige Frage
mit „Ja“ antworten
Yi ∈ {0, 1} wahrer Status, sprich wahre Antwort auf die Frage:

„Erfüllen Sie die Eigenschaft A?“ (1=ja, 0=nein)
PY = P(Y = 1) wahrer Anteil der Personen mit Eigenschaft A
Y
P geschätzter Anteil der Personen mit Eigenschaft A
Die Größe Yi∗ bezeichnet die Antwort des i-ten Individuums auf die zufällig
gezogene Frage, während Yi seinen wahren Status, also die Antwort auf die Frage
„Erfüllen Sie die Eigenschaft A?“ bezeichnet. Wir interessieren uns für PY , also
den Anteil der Personen mit Eigenschaft A. Wir bezeichnen die bekannte Wahr-
scheinlichkeit für die Ziehung der Frage mit p A . Dann ist die Wahrscheinlichkeit
für die Gegenfrage 1 − p A . Daraus ergibt sich für den erwarteten Anteil PY ∗ , dass
die (zufällige) Frage mit „Ja“ beantwortet wird:
PY ∗ = P(Y ∗ = 1) = p A · PY + (1 − p A ) · (1 − PY ). (7.5)
Die Antwort „Ja“ kann also von einer Person mit Eigenschaft A kommen, welche
die Ursprungsfrage als Karte zieht, oder von einer Person ohne Eigenschaft A mit
gezogener Gegenfrage. Durch einfache Umformung der Gl. (7.5) ergibt sich für
p A = 12
PY ∗ + p A − 1
PY = . (7.6)
2 pA − 1
Wir gehen zunächst davon aus, dass die Personen korrekt antworten. Nun kann
aus den Daten der erwartete Anteil PY ∗ durch die relative Häufigkeit pY ∗ geschätzt
werden. Dies ermöglicht es aus den erhobenen Daten eine Schätzung für PY her-
zuleiten, indem in Formel (7.6) auf der rechten Seite der Gleichung PY ∗ durch pY ∗
ersetzt wird. Man erhält
nY ∗
+ pA − 1
Y =
P n
. (7.7)
2 pA − 1
Hierbei ist n Y ∗ die Anzahl der Personen, die die Frage mit „Ja“ beantworten. Da
die Ziehungswahrscheinlichkeit p A bekannt ist, ergibt sich die Varianz des Schät-
Y als
zers P
Y ) = 1 1
Var( P · PY ∗ · (1 − PY ∗ ) . (7.8)
n (2 p A − 1)2
Unter Benutzung des Zusammenhangs von PY ∗ , p A und PY erhält man
Y ) = 1 p A · (1 − p A )
Var( P · PY · (1 − PY ) + . (7.9)
n (2 p A − 1)2
7.3 Behandlung delikater Fragen und Anonymisierungvon Daten 235
Schätzung im Randomized-Response-Modell
Bei einer Befragung wird mit bekannter Wahrscheinlichkeit p A die Frage

nach der Eigenschaft A gestellt.
Mit Wahrscheinlichkeit 1 − p A wird die Gegenfrage gestellt.
Sei n Y ∗ die Anzahl der Personen, die die (im Einzelfall) unbekannte Frage
mit „Ja“ beantworten.
Der Anteil PY der Personen, die die Eigenschaft A haben,

wird erwartungstreu geschätzt durch
nY ∗
+ pA − 1
Y =
P n
.
2 pA − 1
Die Varianzschätzung lautet

Var( Y ) = 1 · P
P Y ) + p A · (1 − p A ) .
Y · (1 − P
n (2 p A − 1)2
Die Formel (7.9) zeigt, dass die Varianz aus zwei Teilen besteht. Der erste Teil
entspricht der Varianz aus der einfachen Zufallsstichprobe ohne Verwendung der
Randomisierung der Antworten. Der zweite Teil ist gewissermaßen der Preis, den
man für die Randomisierung zahlen muss. Je näher p A bei 1 liegt, umso geringer ist
dieser Anteil. Für p A = 12 enthält die Stichprobe keine Information, was in Formel
(7.9) dadurch zum Ausdruck kommt, dass Var( P Y ) sehr groß wird, falls p A nahe
1
bei 2 liegt. Neben dieser Form des Randomized-Response werden in der Literatur
noch andere Verfahren diskutiert, siehe z.B. Chaudhuri und Mukerjee (1988). Einen
guten Überblick über die verschiedenen Entwicklungen im Gebiet der Randomized-
Response Verfahren bietet van den Hout und van der Heijden (2002).
Die obigen Überlegungen lassen sich auch auf Daten übertragen, die mit Hilfe
der sogenannten Post Randomization Method (PRAM) anonymisiert sind. Hierbei
geht es darum, Daten zur Wahrung der Anonymität der befragten Personen oder Fir-
men zu verfälschen. Hierbei wird mit einer bestimmten Wahrscheinlichkeit p A die
Antwort auf eine Frage mit zwei Antwortmöglichkeiten nachträglich in die andere
Kategorie verändert. Diese „Fälschung“ der Daten entspricht genau dem Stellen der
Gegenfrage bei dem Randomized-Response Design. Da auch hier die Wahrschein-
lichkeit p A bekannt ist, können die Formeln (7.8) und (7.9) direkt für mit dieser
Methode verfälschte Daten angewendet werden. Zum weiteren Umgang mit solchen
Daten siehe z.B. Ronning (2005).
7.4 Mess-und Erhebungsfehler

Bei der Erhebung von Daten können Messfehler in sehr vielfältiger Weise auftre-
ten. Im einfachsten Fall kann z.B. bei der Erhebung des Blutdrucks einer Person
ein Messfehler durch das verwendete Gerät auftreten. Komplizierter wird die Pro-
blematik bei der Erhebung von Ernährungsgewohnheiten. Hierbei ist die Messung
der Größe Y = „Tägliche Fettaufnahme“ schwierig. Die in der Praxis übliche An-
wendung von Ernährungstagebüchern führt typischerweise zu nicht unerheblichen
Ungenauigkeiten in der Messung. Im Fall von Befragungen kann der Befragte die
Unwahrheit sagen oder der Interviewer die falsche Antwort notieren. Die statisti-
sche Literatur zu Messfehlern und der Messproblematik ist sehr vielfältig, siehe
z.B. Hand (2004), Bühner (2006), Küchenhoff (2009). Wir wollen hier zwei relativ
einfache Messfehlerstrukturen und deren Konsequenzen für Stichprobenverfahren
betrachten.
7.4.1 Additiver zufälliger Messfehler

Wir gehen davon aus, dass wir bei einer Erhebung statt des korrekten Wertes yk nur
einen mit einem Messfehler k behafteten Wert yk∗ beobachten können. Es soll dabei
gelten
yk∗ = yk + k mit E(k ) = 0 und Var(k ) = σ 2 .
Es liegt also ein unsystematischer zufälliger Messfehler vor. Die Messgenauig-

keit ist durch die Streuung σ charakterisiert. Solche Messfehler sind typisch für
Messgeräte, aber auch für Angaben aus Befragungen. Wenn nun bei einer einfachen
Zufallsstichprobe der Messfehler ignoriert wird und als Schätzer für Ȳ der Mittel-
wert ȳ ∗ verwendet wird, so erhält man für den Erwartungswert und die Varianz:
n
1
∗ 1
n
∗
E( ȳ ) = E yk = E (yk + k )
n n
k=1 k=1
n n
1
1
=E yk + E k = Ȳ + 0 = Ȳ ,
n n
k=1 k=1
n n
∗ 1
∗ 1
Var( ȳ ) = Var yk = Var (yk + k )

n n
k=1 k=1
n n
1
1
1
= Var yk + Var k = Var( ȳ) + · σ 2 .
n n n
k=1 k=1
Der Schätzer ȳ ∗ ist erwartungstreu, hat aber eine etwas höhere Streuung. Falls
σ im Verhältnis zu der Streuung der y-Werte gering ist, kann diese vernachlässigt
7.4 Mess-und Erhebungsfehler 237
werden. Nun ist zu beachten, dass bei der Schätzung der Varianz von ȳ ∗ ebenfalls
die fehlerbehafteten Daten verwendet werden, also die Varianz wie folgt geschätzt
wird (siehe Formel S. 22)
N −n 1
n
2

Var( ȳ ∗ ) = · yk∗ − ȳ ∗ .
N n(n − 1)
k=1
Für den Erwartungswert des Schätzers gilt
1 N −n 1
E(Var( ȳ ∗ )) = Var( ȳ ∗ ) − · σ2 + · · σ2
n N n
∗ 1
= Var( ȳ ) − ·σ .
2
N
Die Formel ist dadurch zu erklären, dass für den Messfehler keine Korrektur für
endliche Populationen gemacht werden kann. Der Unterschied zwischen den beiden
Schätzern ist für große Grundgesamtheiten irrelevant. Für kleine Grundgesamthei-
ten und bekannten Messfehler kann der Term σN zur Varianzschätzung hinzugefügt
2
werden. Also ergibt
N −n 1
n
2 σ 2

Var( ȳ ∗ ) = · yk∗ − ȳ ∗ +
N n(n − 1) N
k=1
einen erwartungstreuen Schätzer, der dann auch zu korrekten Konfidenzinterval-

len führt. Das Vorgehen lässt sich auf andere Verfahren wie den Cluster- und den
geschichteten Schätzer und auch den Regressionsschätzer übertragen. Die Verfah-
ren bleiben korrekt, falls die Korrektur für endliche Populationen vernachlässigbar
ist und die obigen Voraussetzungen für den Messfehler gelten. Bei systematischen
Messfehlern oder bei von der wahren Größe abhängigen Messfehlern kommt es in
der Regel zu Verzerrungen bei der Schätzung von Ȳ .
7.4.2 Fehler bei binären Merkmalen

Bei der Beantwortung von Ja-/Nein-Fragen oder ganz allgemein bei der Erhebung
von binären Merkmalen kann es ebenfalls zu fehlerhaften Angaben kommen. Neben
bewusst falschen Antworten können z.B. Fehldiagnosen bei Krankheiten auftreten
oder der Interviewer nimmt die Frage falsch auf. Bezeichnen wir die erhobene, mög-
licherweise falsche Antwort mit Y ∗ und die korrekte Antwort mit Y , so kann dafür
folgendes einfaches Modell aufgestellt werden:
P(Y ∗ = 1|Y = 1) = p11

P(Y ∗ = 0|Y = 0) = p00 .
In der medizinischen Diagnostik wird die Wahrscheinlichkeit p11 auch als Sen-
sitivität und die Wahrscheinlichkeit p00 als Spezifität bezeichnet. In diesem Fall ist
Y = 1, falls die Person erkrankt ist und Y ∗ = 1 bezeichnet die Diagnose (Erhebung)
der Krankheit.
Ähnlich wie in Formel (7.5) kann man nun die Wahrscheinlichkeit dafür, dass
der erhobene Wert 1 ist berechnen
P(Y ∗ = 1) = p11 · P(Y = 1) + (1 − p00 )(1 − P(Y = 1)). (7.10)
Durch Auflösen von Formel (7.10) ergibt sich
P(Y ∗ = 1) + p00 − 1
P(Y = 1) = . (7.11)
p11 + p00 − 1
Damit kann bei gegebenen Wahrscheinlichkeiten für korrekte Antworten p11 und
p00 der Anteil von 1 bei den korrekten Y -Werten geschätzt werden. Basierend auf
einer Stichprobe vom Umfang n seien n 1 (< n) Beobachtungen mit Y ∗ = 1 erhalten
worden. Ersetzt man nun den erwarteten Anteil P(Y ∗ = 1) in Formel (7.11) durch
den beobachteten Anteil nn1 , so ergibt sich der Schätzer
n1
+ p00 − 1
P
Y = P(Y = 1) = n
. (7.12)
p11 + p00 − 1
Da die Größen p00 und p11 fest sind, ergibt sich die Varianz zu
Y ) = 1 n1 n1 1
Var( P · · 1− · . (7.13)
n n n ( p11 + p00 − 1)2
Das Vorgehen ist zu dem Vorgehen bei Randomized-Response bzw. PRAM

(siehe Abschn. 7.3) analog, da kein prinzipieller Unterschied zwischen der Ver-
fälschung von Antworten durch „falsche“ Fragen, nachträgliche Veränderung der
Daten und falscher Erhebung besteht. Der Unterschied in den Formeln besteht in
der Regel in unterschiedlichen Wahrscheinlichkeiten p00 und p11 .
Bei der Verwendung des Schätzers (7.12) ist allerdings die Kenntnis dieser Wahr-
scheinlichkeiten erforderlich. Dies ist in der Praxis häufig schwierig und daher ist
eine solche Korrektur häufig nicht möglich. Man kann Formel (7.12) unter verschie-
denen Szenarien für p00 und p11 anwenden und damit mögliche Verfälschungen
quantifizieren. Alternativ kann man die Größe aus Validierungsstudien schätzen,
siehe Küchenhoff (2009).
7.5 Gewichtung
Häufig werden bei Datensätzen, die aus Zufallsstichproben stammen, neben den
Einzelwerten zusätzlich Gewichte der einzelnen Beobachtungen mit angegeben.
Diese bestehen häufig nicht einfach aus den inversen Auswahlwahrscheinlichkeiten,
7.5 Gewichtung 239
sondern enthalten häufig „Korrekturen“ für Antwortverweigerung und verwenden

implizit Prinzipien der nachträglichen Schichtung.
Auch bei Daten aus Befragungen von Meinungsforschungsinstituten wird das
Gewichten von Beobachtungen oft als Kunst angesehen und die Methodik als eine
Art Betriebsgeheimnis nicht offen gelegt.
Es stellen sich in diesem Zusammenhang folgende Fragen.
• Wie sollten „Gewichtungen“ in adäquater Weise vorgenommen werden?
• Wie sollten die Daten bei gegebener Gewichtung ausgewertet werden?
Natürlich hängt die Beantwortung der zweiten Frage von der ersten Frage ab,
da die adäquate Auswertung durch das Zustandekommen der Gewichte bestimmt
wird. Die Probleme entstehen hauptsächlich bei der Verwendung von modellbasier-
ten Verfahren und bei der Schätzung der Varianz und der Angabe von Konfidenz-
intervallen. In einem kürzlich erschienenen Artikel beschreibt Gelman (2007) die
Situation aus Sicht der theoretischen Statistik mit den Worten „Survey weighting
is a mess. It is not always clear how to use weights in estimating anything more
complicated than a simple mean or ratios, and standard errors are tricky even with
simple weighted means.“1
Im Folgenden soll etwas Licht in das Durcheinander gebracht werden. Betrachten
wir eine einfache Zufallsstichprobe mit Stichprobenumfang n. Hier ist der Schätzer
n

Ȳ = yk (7.14)
n
k=1
Die einzelnen Werte yk gehen in die obige Summe mit gleichem

erwartungstreu.
Gewicht n1 ein. Die Einführung von Gewichten wk führt zu dem gewichteten
Schätzer
n
wk · yk

Ȳ =
k=1
. (7.15)

n
wk
k=1
Eine Interpretation von Gewichten ist die Anzahl der Personen der Grundgesamt-
heit, die die gezogene Einheit „repräsentiert“. Wenn die Stichprobe „repräsentativ“
ist, sollte sich
als Summe der Gewichte der Gesamtumfang der Grundgesamtheit er-
geben, d.h. nk=1 wk = N . Im Fall der einfachen Zufallsstichprobe „repräsentiert“
jedes gezogene Element Nn Elemente der Grundgesamtheit. Im Fall einer geschich-
1 „Es ist nicht immer offensichtlich, wie Gewichte verwendet werden sollen, wenn etwas kompli-
zierteres als ein einfacher Mittelwert oder ein Verhältnis geschätzt werden soll, und Standardfehler
sind bereits bei einfachen gewichteten Mittelwerten kompliziert.“
teten Stichprobe mit M Schichten und mit Umfängen n h = 1 für h = 1, . . . , M

repräsentiert jedes gezogene Element eine Schicht, d.h. Nh Elemente. Der geschich-
tete Schätzer ergibt sich dann zu
M
Nh

Ȳ G S = yh1 .
N
h=1
Die Werte Nh können als Gewichte aufgefasst werden und es ergibt sich ein er-
wartungstreuer Schätzer. Die Gewichtung dient ganz allgemein dazu, Verzerrungen,
die der einfache Mittelwertschätzer (7.14) hat, zu beheben und/oder seine Effizienz
zu verbessern. Wir stellen im Folgenden das Vorgehen der Gewichtung zur Behand-
lung folgender Aspekte vor:
• ungleiche Auswahlwahrscheinlichkeiten
• Nichtbeantworter-Problematik (Nonresponse-Bereinigung)
• nachträgliche Schichtung (Modellbasierte Korrektur)
7.5.1 Gewichtung mit inversen Auswahlwahrscheinlichkeiten
Eine wichtige Grundidee ist die Verwendung des Horvitz-Thompson-Theorems

(siehe S. 100), wonach unter sehr allgemeinen Bedingungen der Schätzer
1
yk
n

Ȳ H T =
N πk
k=1
erwartungstreu ist. Der Horvitz-Thompson-Schätzer ist genau genommen kein ge-

wichteter Schätzer, da sich die Gewichte nicht zu N addieren. Der gewichtete Schät-
zer (7.15) mit den Gewichten wk = π1k kann jedoch als Näherung des Horvitz-
Thompson-Schätzers aufgefasst werden, was wir im Folgenden motivieren wollen.
Die Gewichte wk aus dem Horvitz-Thompson-Schätzer setzen wir als inverse
Auswahlwahrscheinlichkeiten π1k . Hat ein Element z.B. die Auswahlwahrschein-
1
lichkeit 100 , so ergibt sich als Gewicht 100. Da von 100 Elementen der Grundge-
1
samtheit mit Auswahlwahrscheinlichkeit 100 im Durchschnitt eins gezogen wird,
ist die Interpretation von wk = πk als die Anzahl der Elemente, die das gezogene
1
Element „repräsentiert“, sinnvoll. Weiter ergibt sich für die Gewichte der gezogenen
Individuen des Horvitz-Thompson-Schätzers
n n N

1
1
E wk =E =E P(Ii = 1) = N .
πk πi
k=1 k=1 i=1
Dabei sind Ii die in Abschn. 4.1 eingeführten Indikatorfunktionen für die Aus-
wahl des i-ten Elementes der Grundgesamtheit, d.h. Ii = 1 sofern das i-te Individu-
7.5 Gewichtung 241
um Element der Stichprobe ist und Ii = 0 sonst. Es zeigt sich, dass der gewichtete
Schätzer auch dann verwendet werden kann, wenn die Auswahlwahrscheinlichkei-
ten nur bis auf einen Proportionalitätsfaktor bekannt sind oder wenn N unbekannt
ist. Da sich die Gewichte direkt aus dem Stichprobendesign ergeben, werden diese
auch als „Basis-Gewichte“ bezeichnet. Wir verwenden im Folgenden für diese die
Bezeichnung wk(B) .
7.5.2 Non-Response-Bereinigung
Wir wollen uns nun zumindest ansatzweise mit der Problematik beschäftigen, dass
Individuen im Rahmen einer Stichprobe ihre Teilnahme verweigern. Wir gehen dazu
davon aus, dass die Bereitschaft einer Person zu antworten, mit einem stochasti-
schen Modell beschrieben werden kann. Wir bezeichnen dabei die Wahrscheinlich-
keit, dass eine Person antwortet, mit γi . In der Theorie der fehlenden Werte, siehe
z.B. Little und Rubin (1987), werden solche Modelle im Detail beschrieben und
gezeigt, wie diese geschätzt werden. Nehmen wir exemplarisch an, dass die Ant-
wortbereitschaft von Geschlecht, sozialer Schicht und anderen persönlichen Merk-
malen abhängt. Aus erhobenen Daten kann dann ein Modell (häufig ein logistisches
Regressionsmodell) zur Bestimmung der γi verwendet werden. Wenn man die Be-
reitschaft zu antworten als weitere Stufe in dem Auswahlprozess der Stichprobe
auffasst, so ergibt sich:
P(Person i kann in die Auswertung einbezogen werden)

· P(Person i wird gezogen und antwortet)
= Auswahlwahrscheinlichkeit · Antwortwahrscheinlichkeit
= πi · γi .
Wir setzen dabei die Unabhängigkeit von der Bereitschaft zu antworten und der
Ziehung voraus, sprich es liegt beim Ziehungsprozess der Stichprobe keine In-
formation vor, ob ein Individuum eine höhere oder geringere Bereitschaft hat zu
antworten. Damit ergibt sich der erwartungstreue Schätzer für Ȳ aus dem Horvitz-
Thompson-Theorem durch
1
1
n

Ȳ = yk . (7.16)
N πk γk
k=1
Hier ist zu beachten, dass die obige Summe über die Personen läuft, die gezogen
wurden und geantwortet haben. Aus Formel (7.16) ergibt sich die multiplikative Ver-
knüpfung der Gewichte. Daher verwenden wir die inversen Antwortwahrschein-
lichkeiten γ1k als „Non-Response“-Adjustierungs-Gewichte wk(N R) . Die Gesamt-
gewichtung ergibt sich dann als das Produkt der beiden Einzelgewichte.
Diese Idee kann man z.B. dazu verwenden, Antwortverweigerung adäquat zu

berücksichtigen. Wir gehen von einer Zufallsstichprobe aus und nehmen an, dass
für das i-te Individuum die Wahrscheinlichkeit zu antworten γi beträgt. Wenn wir
bei der Auswertung nur die Antworter einbeziehen, ergibt sich für diese die Aus-
wahlwahrscheinlichkeit
πi = · γi .
N
Eine Möglichkeit der Schätzung für den Mittelwert ist nun
1
yk 1
yk
n n

Ȳ = = . (7.17)
N πk n γk
k=1 k=1
Bei Formel (7.17) ist zu beachten, dass die Summe nur über die n Antworter
läuft. Weiter müssen zur Berechnung die Antwortwahrscheinlichkeiten γk der ge-
zogenen Individuen bekannt sein. Diese können z.B. für bestimmte Gruppen von
Individuen bekannt sein oder aus den Daten zum Antwortverhalten geschätzt wer-
den. Hierzu führen wir eine weitere Indikatorvariable ein. In einer Stichprobe vom
Umfang n
(> n) gibt Jl an, ob das l-te befragte Individuum antwortet (Jl = 1) oder
n
nicht (Jl = 0), wobei l = 1, . . . , n

. Damit ist l=1 Jl = n der Stichprobenumfang
der Individuen, die geantwortet haben. Für die Antwortwahrscheinlichkeiten der
gezogenen Individuen gilt:
⎛
⎞

n
n n
1 1 1
E = E⎝ · Jl ⎠ = · P(Jl = 1) = n
.
γk γl γl
k=1 l=1 l=1
Damit kann Formel (7.17) durch Approximation von n wie folgt vereinfacht
werden:
1
yk
n

Ȳ = . (7.18)

n
1 γk
k=1
γk
k=1
Der Schätzer in Formel (7.18) erhält damit die Gestalt eines gewichteten Mit-

n
n
telwertschätzers und kann in der Form wk yk mit wk = 1 geschrieben wer-
k=1 k=1
1
1
n
den. Die Gewichte notieren wir als wk(N R) = / . Zur Berechnung des
γk ∗ γk ∗
k =1
Schätzers genügt es, die Gewichte bis auf einen konstanten Faktor zu kennen, also
absolute Werte von γk sind ohne Bewandtnis. Diese Vorteile werden aus folgendem
Beispiel klar.
7.5 Gewichtung 243
Beispiel 7.4: NHANES-Studie

Die Studie „National Health and Nutrition Examination Survey“ wird von dem
Amerikanischen Zentrum für Gesundheitsfragen durchgeführt (www.cdc.gov/
nchs/nhanes.htm). Große Teile der Daten sind im Internet verfügbar und es wer-
den üblicherweise neben den Daten (z.B. Antworten auf Fragebogen, Körpergrö-
ße, Körpergewicht, usw.) auch sogenannte Gewichte („survey weights“) ange-
geben. Diese werden aus den Raten der Antwortverweigerer bestimmt. Da aber
die ursprünglich geplante Stichprobengröße nicht bekannt ist, können Schätzer
für die Variablen aus dem Datensatz nur über die Approximationsformel (7.18)
bestimmt werden.
Bei der Bestimmung der Gewichte kann wie schon erwähnt ein logistisches Mo-
dell verwendet werden. Eine Alternative ist es, die Grundgesamtheit in Schichten
aufzuteilen, bei denen man gleiche Ausfallwahrscheinlichkeiten vermutet. Damit ist
es möglich, die Ausfallwahrscheinlichkeiten einfach aus den relativen Häufigkeiten
der Antwortverweigerung je Schicht zu schätzen. Vermutet man beispielsweise, dass
die Antwortbereitschaft von Geschlecht und Wohnbezirk abhängig ist, so teilt man
die Grundgesamtheit in M = 2 · K (K ist die Anzahl der Wohnbezirke) Schichten
(Geschlecht und Wohnbezirk) ein und bestimmt dann γh für die h-te Schicht aus
der relativen Häufigkeit der Antworter, h = 1, . . . , M, getrennt nach Wohnbezirk
und Geschlecht. Es sei Jhk die Indikatorvariable, dass die k-te befragte Person in
Schicht h antwortet (Jhk = 1) oder nicht (Jhk = 0), so schätzt man γh aus
nh
Jhk
k=1 nh
γh =
= ,
n
h n
h
wobei n
h der ursprüngliche Stichprobenumfang in Schicht h ist, d.h. inklusive der
Non-Responder in der Schicht, h = 1, . . . , M. Diese in der Praxis verbreitete Strate-
gie funktioniert allerdings nur, falls Geschlecht und Wohnort bei den Nicht-Antwor-
tern bekannt ist.
Die vorgeschlagene Schätzung der γk ist zu modifizieren, falls das Stichproben-
Design mit unterschiedlichen Auswahlwahrscheinlichkeiten arbeitet. Nehmen wir
dazu an, dass πhk die Auswahlwahrscheinlichkeit des k-ten Individuums in der h-ten
Schicht ist, so kann γh geschätzt werden durch

nh

1
Jhk
πhk
k=1
γh =

· nh .
nh

1
πhk
k=1
Da es in fast jeder Umfrage Nicht-Antworter und fehlende Werte gibt, sind

effiziente Strategien zum Umgang mit diesen Problemen Gegenstand aktueller For-
schung. Man versucht hierbei zusätzliche Informationen zu nutzen. Beispiele hier-
für sind weitere Merkmale, siehe Kreuter et al. (2010), oder Informationen zum
Antwortverhalten bei wiederholter Kontaktaufnahme bei (zunächst) nicht antwort-
bereiten Personen, siehe Kreuter und Kohler (2009).
7.5.3 Nachträgliche Schichtung als Gewichtung

Die in Abschn. 5.1.3 besprochene a posteriori Schichtung kann, wie nachfolgend
gezeigt, ebenfalls als Gewichtung verstanden werden. Wir gehen zunächst von einer
einfachen Zufallsstichprobe aus. Bei der Verwendung der nachträglichen Schich-
tung wird die Stichprobe in M Schichten aufgeteilt und der mit den Schichtanteilen
der Grundgesamtheit gewichtete Mittelwert gebildet. Nach Formel (5.10) ergibt sich
M
Nh
nh
Nh 1

Ȳ G S,post = ȳh = · yhk .
N N nh
h=1 h=1 k=1
Aus der Formel erkennt man, dass die Verwendung des Schätzers einer zusätz-
lichen Gewichtung mit den Gewichten Nn hh entspricht. Diese Gewichtung gleicht
zufällig entstandene Unterschiede des Stichprobenumfangs innerhalb der Schich-
ten aus. Es können aber auch systematische Unterschiede wie z.B. das Nicht-
Antworterverhalten oder Effekte der Ziehungsstrategie z.B. bei Telefonstichproben
ausgeglichen werden. Da häufig damit auch das Problem der Nichterreichbarkeit
behandelt wird, werden die Gewichte auch als „Noncoverage-Weights“ bezeichnet.
In ähnlicher Weise kann auch die Verwendung einer Regressionsschätzung insbe-
sondere bei kategorialen Einflussgrößen interpretiert werden.
Im Fall der einfachen Zufallsstichprobe ist die Verwendung der Schätzer ein-
schließlich der Varianzschätzung unproblematisch. Schwieriger wird es dagegen,
wenn eine dieser Strategien mit den beiden oben diskutierten Verfahren (ungleiche
Auswahlwahrscheinlichkeiten und Non-Response-Korrektur) zu kombinieren sind.
Gehen wir von einer Aufteilung in M Schichten aus und gegebenen Basisgewichten
(B) (N R)
whk = π1hk und Non-Response-Gewichten whk = γ1hk , mit h = 1, . . . , M und
k = 1, . . . , n h . Dann ergeben sich die Gewichte der nachträglichen Schichtung in
Schicht h durch
Nh
wh(P S) = . (7.19)

nh
(B) (N R)
whk whk
k=1
Sie werden als PS-Gewichte (engl. PSA=Poststratification Adjustment) bezeich-

net. Im Fall der einfachen Zufallsstichprobe und keiner Non-Response-Korrektur
stimmen die Gewichte mit der Größe Nn hh überein. Zu beachten ist, dass sich die
Wahl der Schichten von denen bei der Non-Response-Korrektur meist unterschei-
det. Bei der Non-Response-Korrektur muss die Schichtzugehörigkeit der Nicht-
Antworter bekannt sein. Für die Berechnung der Poststratifizierungsgewichte sind
nur die Daten aus der Stichprobe und die Schichtumfänge Nh der Grundgesamt-
heit nötig. Insgesamt lassen sich die drei Aspekte der Korrektur zu Gesamtge-
7.5 Gewichtung 245
wichten in der Stichprobe zusammenfassen. Bei der Zusammenfassung der Ge-

wichte ist zu beachten, dass diese pro gezogenem Individuum anzugeben sind. Die
Poststratifizierungsgewichte sind zwar innerhalb der Schichten identisch, aber die
Basisgewichte können sich innerhalb der Schichten unterscheiden und die Non-
Response-Gewichte können für jedes einzelne Element unterschiedlich sein. Ins-
gesamt ergeben sich die Gewichte multiplikativ in folgender Weise:
(B) (N R)
whk = whk · whk · wh(P S) , h = 1, . . . , M, k = 1, . . . , n h .
Bei großen Erhebungen werden diese Gewichte typischerweise mit den Daten
zur Verfügung gestellt.
Gewichtung
Zur Berücksichtigung von ungleichen Auswahlwahrscheinlichkeiten,

Antwortverweigerung, Nichterreichbarkeit und verzerrter Schichtumfänge
werden Gewichte eingeführt.
Die Basisgewichte sind
(B)
whk = πhk .
1
Die Gewichte zur Non-Response-Korrektur sind
(N R)
whk = γhk ,
1
wobei γhk die geschätzte Antwortwahrscheinlichkeit ist.
Die Poststratifizierungsgewichte sind
(P S) Nh
wh = .

nh
(B) (N R)
·whk whk
k=1
Die Gesamtgewichte ergeben sich als Produkt der Einzelgewichte
(B) (N R) (P S)
whk = whk · whk · wh .
Die Varianzschätzung ist bei solchen Verfahren schwierig und im Einzelfall zu

entscheiden. Näheres dazu in de Leeuw, Hox, und Dillman (2008).
Anhang A
Das Programmpaket R
A.1 Was ist R?

R ist eine Programmiersprache und Programmierumgebung zur Umsetzung statisti-
scher Berechnungen und Grafiken. R ist im Internet unter
http://www.r-project.org/
frei verfügbar und einfach zu installieren. Neben der Basis-Software, mit der die
wichtigsten Prozeduren durchgeführt werden können, gibt es eine Vielzahl von Pa-
keten, die von verschiedenen Autoren zur Verfügung gestellt werden. Auch diese
sind kostenlos unter der oben genannten Adresse abrufbar.
A.2 Warum wir uns für R entschieden haben

Wir haben uns aus den folgenden Gründen für R als Programmpaket zu diesem
Buch entschieden:
• R ist einfach und kostenlos verfügbar.

• Es lassen sich relativ einfach zusätzliche Prozeduren in R installieren.
• Auch wenn der Einstieg etwas schwerer ist als bei anderen Paketen, ist es doch
als benutzerfreundlich zu bezeichnen.
• Zu komplexeren Stichprobenverfahren gibt es bereits Pakete mit den entsprechen-
den Prozeduren.
A.3 R herunterladen und installieren

Das Programmpaket R kann von der Homepage des R-Projekts

DOI 10.1007/978-3-642-12318-4, C Springer-Verlag Berlin Heidelberg 2011
248 A Das Programmpaket R
heruntergeladen werden. Auf dieser Homepage kann unter dem Menüpunkt

„Download, Packages“ ein CRAN-Server aus einer vorgegebenen Liste ausgewählt
werden, wobei man darauf achten sollte, einen Server „in der Nähe“ zu wählen. An-
schließend kann man über weitere Links eine R-Version für Linux, MacOS X und
Windows herunterladen. Unter dem Menüpunkt „Manuals“ findet sich der Punkt „R
Installation and Administration“. Hier findet man weitere Hilfe.
Es empfiehlt sich, zusätzlich zu R einen geeigneten Editor herunterzuladen, z.B.
Tinn-R. Dieser kann von der Homepage
http://sourceforge.net/projects/tinn-r/
heruntergeladen werden. R und Tinn-R müssen dann bei Bedarf noch konfiguriert
werden. Anschließend kann man die R-Syntax im Editor schreiben und beispiels-
weise über den Button „Send selection“ in R laufen lassen.
A.4 R-Hilfe
Hilfe zu R findet man unter anderem auf folgende Weise:
• Auf der R-Homepage http://www.r-project.org/.
– Unter dem Menüpunkt „Documentation“ sind über den Link „Manuals“ Hand-
bücher zu verschiedenen Themen in HTML- und PDF-Format verfügbar.
– Weiterhin finden sich unter dem dortigen Link „contributed documentation“
weitere Dateien, vor allem PDF-Dokumente, die einführende und weiterfüh-
rende Hilfestellungen enthalten. Wir möchten an dieser Stelle auf die „R re-
ference card“ von Tom Short hinweisen, die einen guten Überblick über die
wichtigsten Basis-Befehle gibt und sich gut als Nachschlagewerk für einfache
Befehle eignet.
– Unter dem Menüpunkt „R Project“ ist über den Link „Search“ eine Google-
Suche auf zu R gehörigen Seiten möglich.
• In Büchern zu R, z.B. in dem Buch „Programmieren mit R“ Ligges (2005) bzw.
in „A Handbook of Statistical Analyses Using R“ (Everitt & Hothorn, 2006).
Hilfe zu R-Funktionen erhält man nach Laden des entsprechenden Pakets über
die Eingabe
> ?Funktionsname
Zur Funktion sample(·), mit der eine einfache Zufallsstichprobe gezogen werden
kann, lässt sich die Hilfe somit durch
> ?sample
aufrufen.
A.6 Pakete zum Thema Stichprobentheorie 249
A.5 Zusätzliche Pakete herunterladen, installieren

und verfügbar machen
Zusätzliche Pakete werden wie das Programmpaket selbst von der Homepage
heruntergeladen. Nach Auswahl des CRAN-Servers kann man unter dem Menü-
punkt „Software“ über den Link „Packages“ einzelne Pakete herunterladen. Diese
kann man anschließend in R installieren. Alternativ kann man Pakete auch direkt in
R über den Menüpunkt „Pakete“ installieren.
Bevor man mit einem bereits installierten Paket arbeiten kann, muss dieses noch
verfügbar gemacht werden. Dies ist über die Funktion library(·) möglich.
> library(package, ...)
# package the name of a package

# ... further options not shown here
Dieser Funktion muss mit package der Name des zu ladenden Paketes überge-
ben werden. Das zu diesem Buch erstellte Paket samplingbook wird folglich über
den Befehl
> library(package=samplingbook)
bzw. kürzer mit
geladen. Anschließend kann auf alle in dem Paket eingebundenen Funktionen

und Datensätze zugegriffen werden. Ausführlichere Erklärungen finden sich im
oben erwähnten Manual „R Installation and Administration“ im Abschnitt „Add-on
packages“.
A.6 Pakete zum Thema Stichprobentheorie

Zum Thema Stichprobentheorie gibt es verschiedene Pakete (Stand 2010):
• sampling: Survey Sampling von Yves Tillé
• survey: Analysis of Complex Survey Samples von Thomas Lumley
• sampfling: Sampford sampling (w/o replacement and unequal probabilities) von
Carlos Enrique Carleos Artime
• pps: Functions for PPS Sampling von Jack G. Gambino
Weiter existiert ein Paket zu diesem Lehrbuch, das die Daten zu den Beispielen und
alle verwendeten Programme enthält. Es ist unter dem Namen
• samplingbook
auf der R-Homepage verfügbar.
An dieser Stelle werden wir insbesondere auf den Inhalt des Paketes
samplingbook näher eingehen. Darin befindet sich die Mehrzahl der notwendigen
Funktionen zur Anwendung der Stichprobentheorie, wie sie in den Abschnitten zur
numerischen Umsetzung in diesem Lehrbuch verwendet wird.
Zur einfachen Zufallsstichprobe in Kap. 2 sind vier Funktionen in dem Paket

enthalten. Es wird dabei unterschieden, ob eine Mittelwert- oder Anteilsschätzung
durchgeführt werden soll. Es gibt Funktionen zur Berechnung des Schätzers und
des notwendigen Stichprobenumfangs. Bei allen ist die Verwendung der Korrektur
für endliche Populationen optional möglich.
Smean(·) Schätzung des Mittelwertes in der Grundgesamt-

heit und dessen Standardfehler auf Basis einer ein-
fachen Zufallsstichprobe.
Sprop(·) Schätzung des Anteils in der Grundgesamtheit
und dessen Standardfehler auf Basis einer ein-
fachen Zufallsstichprobe. Darüber hinaus werden
verschiedene Methoden zur Berechung von Konfi-
denzintervallen bereitgestellt.
sample.size.mean(·) Berechnung des benötigten Stichprobenumfangs
bei der Mittelwertschätzung.
sample.size.prop(·) Berechnung des benötigten Stichprobenumfangs
bei der Anteilsschätzung.
In Kap. 3 wurden verschiedene modellbasierte Stichprobenverfahren vorgestellt.
Diese sind in einer einzigen Funktion umgesetzt, wobei die gewünschte Methode
(Differenzen-, Quotienten- oder Regressionsschätzer) über eine Option angegeben
werden kann. Außerdem ist es möglich, unter Verwendung dieser Funktion die
Schätzung für mehrphasige Verfahren aus Kap. 6 zu berechnen.
mbes(·) Modellbasierte Schätzung von Mittelwerten der Grundgesamtheit auf

Basis einer Sekundärinformation und dessen Standardfehler. Dabei
sind der Differenzen-, Quotienten- und Regressionsschätzer verfüg-
bar.
Zur Umsetzung designbasierter Stichprobenverfahren wie in Kap. 4 gibt es zwei

Funktionen in dem Paket. Beide stellen durch ihre Optionen eine Vielfalt an Metho-
den zur Verfügung.
A.7 Daten einlesen 251
pps.sampling(·) Methode zur Ziehung von größenproportionalen Stichpro-

ben. Dabei werden die Methoden von Sampford, Tillé, Mid-
zuno und Madow angeboten.
htestimate(·) Berechnung des Horvitz-Thompson-Schätzers, wobei zur
Varianzschätzung die Methoden von Horvitz-Thompson,
Yates und Grundy, Hansen-Hurwitz und Hajek zur Verfü-
gung stehen.
Außerdem ist es möglich auf die verwendeten Datensätze aus den Beispielen
zuzugreifen. Wir werden sie im Folgenden kurz beschreiben.
pop Hypothetischer Datensatz einer kleinen Grundgesamtheit von

fünf Elementen zur Illustration der verschiedenen Ziehungs- und
Schätzmethoden.
money Daten zum Unterrichtsexperiment „Geld in der Geldbörse“ über
die Vermutungen und wahren Geldbörseninhalte der Studierenden.
election Datensatz, welcher die Anzahl der Wahlberechtigten und die Er-
gebnisse der Bundestagswahlen 2002 und 2005 in Deutschland
beinhaltet.
influenza Datensatz zu den Grippefall- und Bevölkerungszahlen von 2007 in
den Landkreisen und kreisfreien Städten in Deutschland.
Ausführlichere Informationen befinden sich in der Dokumentation des Paketes,

siehe Manitz et al. (2010).
A.7 Daten einlesen

Beim Einlesen von Daten muss man zwei Fälle unterscheiden, nämlich den Zugriff
auf Daten, die in bereits geladenen Paketen vorhanden sind, und das Einlesen exter-
ner Dateien, die beispielsweise im ASCII-Format vorliegen.
Im Paket samplingbook ist beispielsweise der Datensatz pop enthalten. Auf
diesen kann man nach Laden des Paketes mit der Funktion data(·) zugreifen.
> data(pop)
Anschließend kann man über den Datensatznamen, hier pop, mit dem Datensatz
arbeiten. Mit Hilfe der Funktion head(·) kann man sich beispielsweise die ersten
Zeilen des Datensatzes am Bildschirm ausgeben.
> head(pop)
id X Y
1 1 11 9
2 2 11 10
3 3 11 11
4 4 21 18
5 5 21 22
Externe Dateien, wie z.B. ASCII-Dateien, kann man über die Funktion
read.table(·) einlesen.
> read.table(file, header = FALSE, sep = "", dec = ".", ...)
Die wichtigsten Optionen (mit stark gekürzter Beschreibung) sind:
# file the name of the file which the data are to be

# read from.
# header a logical value indicating whether the file
# contains the names of the variables as its
# first line.
# sep the field separator character. Values on each line
# of the file are separated by this character.
# dec the character used in the file for decimal points.
Mit file wird der Name des Datensatzes angegeben. Durch header wird festge-
legt, ob die Datei in der ersten Zeile die Variablennamen enthält. Falls dies der Fall
ist, muss header=TRUE gesetzt werden. Mit sep wird das Trennzeichen definiert,
dass die Werte aufeinanderfolgender Spalten voneinander abgrenzt und durch dec
wird das Dezimalzeichen festgelegt.
Weitere Optionen zu read.table(·) und zusätzliche Funktionen zum Einlesen
von Daten erhält man durch Aufruf der Hilfeseite zu read.table(·) mit
> ?read.table
Ein externer Datensatz im Textformat (ASCII) namens filename.dat kann nun

beispielsweise folgendermaßen eingelesen werden.
> data <- read.table("filename.dat", header=TRUE)
A.8 Ziehen von Zufallszahlen

Um die Ziehung einer Stichprobe reproduzierbar zu machen, empfiehlt es sich, mit
einem sogenannten „seed“, einem Startwert für den Algorithmus (in diesem Fall
zum Ziehen von Zufallszahlen), zu arbeiten. Dadurch wird sichergestellt, dass bei
einem erneuten Ausführen die gleiche Stichprobe gezogen wird. Dieser Startwert
A.8 Ziehen von Zufallszahlen 253
kann auf zweierlei Art festgelegt werden. Einerseits kann einfach eine beliebige
Zahl als Startwert gewählt werden, z.B.
> start <- 13072008
Andererseits kann der Startwert einmalig zufällig gezogen werden, beispielswei-

se mit
> start <- sample(x=1:10000, size=1)
Dieser Teil der Syntax darf aber nur genau einmal ausgeführt werden. Anschlie-
ßend sollte man sich als Kommentar notieren, welcher Startwert gezogen wurde und
diesen bei erneutem Durchlauf der Syntax wie in Version 1 direkt zuweisen. Mit
> set.seed(start)
wird der Startwert dem Programm als solcher kenntlich gemacht. Anschließend
kann mit der Syntax zur Ziehung der Stichprobe immer wieder genau dieselbe Stich-
probe gezogen werden.
Literatur
Agresti, A., & Coull, B. A. (1998). Approximate is better than exact for interval estimation of
binomial proportions. The American Statistician, 52(2), 119–126.
An, A., & Watts, D. (2000). SAS procedures for analysis of sample survey data (S. 120–129).
Cary, NC: SAS Institute Inc.
Andersson, C., & Norberg, L. (1994). A method for variance estimation of non-linear function of
totals in surveys. Journal of Official Statistics, 10, 396–405.
Asef, D., & Riede, T. (2006). Kontaktzeiten in einer Telefonerhebung - wie beeinflussen sie die
Messung der Erwerbstätigkeit? Statistisches Bundesamt. Wirtschaft und Statistik, 6, 581–586.
Berger, Y. G. (1998). Rate of convergence for asymptotic variance of the horvitz-thompson esti-
mator. Journal of Statistical Planning and Inference, 74, 149–168.
Berger, Y. G. (2004). A simple variance estimator for unequal probability sampling without repla-
cement. Journal of Applied Statistics, 31, 305–315.
Berger, Y. G., & Skinner, C. J. (2005). A jacknife variance estimator for unequal probability
sampling. Journal of the Royal Statistical Society, Series B, 67, 79–89.
Berger, Y. G., & Tillé, Y. (2009). Sampling with unequal probabilities. In D. Pfeffermann & C. Rao
(Hrsg.), Sample surveys: Design, methods and applications: Vol. 29A of Handbook of statistics,
Kapitel 2, (1. Aufl., S. 39–54). Amsterdam: North-Holland.
Bühner, M. (2006). Einführung in die Test- und Fragebogenkonstruktion (2. Aufl.). München:
Pearson-Education.
Bondesson, L., Traat, I., & Lundqvist, A. (2006). Pareto sampling versus sampford and conditional
poisson sampling. Scandinavian Journal of Statistics, 33, 699–720.
Breidt, F. J., & Opsomer, J. D. (2000). Local polynomial regression estimators in survey sampling.
Annals of Statistics, 28, 1020–1053.
Breidt, F. J., & Opsomer, J. D. (2009). Nonparametric and semiparametric estimation in complex
surveys. In D. Pfeffermann & C. Rao (Hrsg.), Sample surveys: Inference and Analysis: Vol.
29B of Handbook of statistics (1. Aufl., S. 103–120). Amsterdam: North-Holland.
Brewer, K. (2002). Combined survey sampling inference. London: Hodder Arnold.
Brewer, K. R. W., & Hanif, M. (1983). Sampling with unequal probabilities. New York, NY:
Springer.
Brüderl, J., Preisendörfer, P., & Ziegler, R. (1992). Survival chances of newly founded business
organizations. American Sociological Review, 57, 227–242.
Buckland, S. T., Anderson, D. R., & Burnham, K. P. (2008). Advanced distance sampling: Esti-
mating abundance of biological populations. Oxford: Oxford University Press.
Chaudhuri, A., & Mukerjee, R. (1988). Randomized response: Theory and techniques. New York,
NY: Marcel Dekker.
Chaudhuri, A., & Steger, H. (2005). Survey sampling: Theory and methods (2. Aufl.). Boca Raton,
London, New York, Singapore: Chapman and Hall/CRC.
Cochran, W. (1972). Stichprobenverfahren. Berlin: de Gruyter.
Cochran, W. (1977). Sampling techniques (3. Aufl.). New York, NY: Wiley.
255
256 Literatur
Cotter, A. J. R., Course, G., Buckland, S. T., & Garrod, C. (2002). A PPS sample survey of English
fishing vessels to estimate discarding and retention of North Sea cod, hadock, and whiting.
Fisheries Research, 55(1), 25–35.
Cumberland, W. G., & Royall, R. M. (1981). Prediction models and unequal propability sampling.
Journal of the Royal Statistical Society, Series B, 43, 353–367.
Dalgaard, P. (2002). Introductory statistics with R. New York, NY: Springer.
Deville, J., & Tillé, Y. (1998). Unequal probability sampling without replacement through a split-
ting method. Biometrika, 85(1), 89–101.
Everitt, B. S., & Hothorn, T. (2006). A Handbook of statistical analyses using R. Boca Raton, FL:
Chapman und Hall/CRC.
Fahrmeir, L., Hamerle, A., & Tutz, G. (1996). Multivariate statistische Verfahren (2. Aufl.). Berlin,
New York: de Gruyter.
Fahrmeir, L., Kneib, T., & Lang, S. (2007). Regression – Modelle, Methoden und Anwendungen.
Berlin: Springer.
Fahrmeir, L., Künstler, R., Pigeot, I., & Tutz, G. (2009). Statistik: Der Weg zur Datenanalyse (7.
Aufl.). Berlin, Heidelberg: Springer.
Fleiss, J., Levin, B., & Paile, M. (2003). Statistical methods for rates and proportions (3. Aufl.).
New York, NY: Wiley.
Gabler, S. (1981). A comparison of sampford sampling procedure versus unequal probability-
sampling with replacement. Biometrika, 68(3), 725–727.
Gabler, S. (1984). On unequal probability-sampling - sufficient conditions for the superiority of
sampling without replacement. Biometrika, 71(1), 171–175.
Gabler, S., & Häder, S. (1999). Erfahrungen beim Aufbau eines Auswahlrahmens für Telefonstich-
proben in Deutschland. ZUMA-Nachrichten, 23(44), 45 ff.
Gelman, A. (2007). Struggles with survey weighting and regression modeling. Statistical
Science, 22(2), 153–164.
Godambe, V. P., & Joshi, V. M. (1965). Admissibility and bayes estimation in sampling finite
populations. Annals of Mathematical Statistics, 36, 1707–1742.
Groves, R. M., Dillman, D. A., Eltinge, J. L., & Little, R. J. A. (2002). Survey nonresponse. New
York, NY: Wiley Series in Survey Methodology.
Hajek, J. (1981). Sampling from a finite population. New York, NY: Marcel Dekker.
Hand, D. (2004). Measurement theory and practice: The world through quantification (2. Aufl.).
Oxford: Oxford University Press.
Hartley, H. O. (1966). Systematic sampling with unequal probability and without replacement.
Journal of the American Statistical Association, 61(315), 739–748.
Hartmann, P., & Schimpl-Neimanns, B. (1992). Sind Sozialstrukturanalysen mit Umfragedaten
möglich? Analysen zur Repräsentativität einer Sozialforschungsumfrage. Kölner Zeitschrift
für Soziologie und Sozialpsychologie, 44(2), 315–340.
Hastie, T., & Tibshirani, R. (1990). Generalized additive models. London: Chapman and Hall.
Held, L. (2008). Methoden der statistischen Inferenz: Likelihood und Bayes. Heidelberg: Spektrum
Akademischer Verlag.
Hoffmeyer-Zlotnik, J. H. P. (1997). Random-route-stichproben nach ADM. In S. Gabler &
J. Hoffmeyer-Zlotnik (Hrsg.), Stichproben in der Umfragepraxis (S. 33–42). Opladen: West-
deutscher Verlag.
Horvitz, D., & Thompson, D. (1952). A generalization of sampling without replacement from a
finite universe. Journal of the American Statistical Association, 47, 663–685.
van den Hout, A., & van der Heijden, P. (2002). Randomized response, statistical disclosure control
and misclassification: a review. International Statistical Review, 70(2), 269–288.
Jessen, R. J. (1969). Some methods of probability non-replacement sampling. Journal of the
American Statistical Association, 64(325), 175–193.
Kreienbrock, L. (2004). Einführung in die Stichprobenverfahren. München, Wien: Oldenbourg
Verlag.
Literatur 257
Kreuter, F., & Kohler, U. (2009). Analyzing contact sequences in call record data. Potential and
limitations of sequence indicators for nonresponse adjustments in the European Social Survey.
Journal of Official Statistics, 25(2), 203–226.
Kreuter, F., Olson, K., Wagner, J., Yan, T., Ezzati-Rice, T. M., Casas-Cordero, C., Lemay, M., Peyt-
chev, A., Groves, R. M., & Raghunathan, T. E. (2010, Apr). Using proxy measures and other
correlates of survey outcomes to adjust for non-response: examples from multiple surveys.
Journal of the Royal Statistical Society Series A-Statistics in Society, 173(Part 2), 389–407.
Küchenhoff, H. (2009). Misclassification and measurement error in oral health. In E. Lesaffre,
J. Feine, B. Leroux, & D. Declerck (Hrsg.), Statistical and methodological aspects of oral
health research (S. 280–294). Chichester: Wiley-Blackwell.
Lanke, J. (1974). On non-negative variance estimators in survey sampling. Sankhyā Series C, 35,
33–42.
de Leeuw, E. D., Hox, J. J., & Dillman, D. A. (2008). International handbook of survey methodo-
logy. New York, NY: Taylor & Francis Group.
Legg, J. C., & Fuller, W. A. (2009). Two-phase sampling. In D. Pfeffermann & C. Rao (Hrsg.),
Sample surveys: Design, methods and applications: Vol. 29A of Handbook of statistics, Kapi-
tel 3, (1. Aufl., S. 55–70). Amsterdam: North-Holland.
Leiner, B. (1989). Stichprobentheorie: Grundlagen, Theorie und Technik. München: Oldenbourg.
Levy, P., & Lemeshow, S. (1999). Sampling of populations (3. Aufl.). New York, NY: Wiley.
Ligges, U. (2005). Programmieren mit R. Heidelberg: Springer.
Little, R. J. A., & Rubin, D. B. (1987). Statistical analysis with missing data. New York, NY:
Wiley.
Lohr, S. L. (1999). Sampling: Design and analysis. Pacific Grove, CA: Duxbury Press.
Lumley, T. (2010). Complex surveys: A guide to analysis using R. Hoboken, NJ: Wiley Series in
Survey Methodology.
Lynn, P., & Schnell, R. (2007). Editorial: Methodology in our madness. Survey Research Me-
thods, 1(1), 1–2. http://w4.ub.uni-konstanz.de/srm/article/view/45/44.
Madow, W. G. (1949). On the theory of systematic sampling ii. Annals of Mathematical Stati-
stics, 20, 333–354.
Manitz, J., contributions by Hempelmann, M., Kauermann, G., Kuechenhoff, H., Oberhauser, C.,
Westerheide, N., & Wiesenfarth, M. (2010). Samplingbook: Survey sampling procedures. R
package version 1.0.
Marker, D. A., & Stevens, D. L. (2009). Sampling and inference in environmental surveys. In
D. Pfeffermann & C. Rao (Hrsg.), Sample surveys: Design, methods and applications: Vol.
29A of Handbook of statistics, Kapitel 19, (1. Aufl., S. 487–512). Amsterdam: North-Holland.
Matérn, B. (1986). Spatial variation. Berlin: Springer.
Midzuno, H. (1952). On the sampling system with probability proportionate to sum of sizes.
Annals of the Institue of Statistical Mathematics, 3, 99–107.
Mosler, K., & Schmid, F. (2004). Beschreibende Statistik und Wirtschaftsstatistik (2. Aufl.). Berlin,
Heidelberg: Springer.
Noelle-Neumann, E. (2000). Die Schweigespirale. München Langen Müller.
Opsomer, J., Breidt, F., Moisen, G., & Kauermann, G. (2007). Model-assisted estimation of fo-
rest resources with generalized additive models (with discussion). Journal of the American
Statistical Association 102, 400–416.
Opsomer, J. D. (2009). Alternative approaches to inference from survey data. In D. Pfeffermann
& C. Rao (Hrsg.), Sample surveys: Inference and Analysis: Vol. 29B of Handbook of statistics
(1. Aufl., S. 3–10). Amsterdam: North-Holland.
Quatember, A. (1996). Das Quotenverfahren. Linz: Universitätsverlag Rudolf Trauner.
Rao, C. R. (1973). Linear statistical inference and its applications (Wiley series in probability and
mathematical statistics) (2. Aufl.). New York, NY: Wiley.
Rao, J. N. K., & Singh, M. P. (1973). On the choice of estimator in survey sampling. Australian
Journal of Statistics, 15, 95–104.
Ronning, G. (2005). Randomized response and the binary probit model. Economics Letters, 86,
221–228.
258 Literatur
Rosén, B. (1997). On sampling with probability proportional to size. Journal of Statistical Plan-
ning and Inference, 62, 159–191.
Ruppert, D., Wand, M., & Carroll, R. (2003). Semiparametric regression. Cambridge: Cambridge
University Press.
Sampford, M. (1967). On sampling without replacement with unequal probabilities of selection.
Biometrika, 54, 499–513.
Scheaffer, R., Mendenhall, W., & Ott, L. (1995). Elementary survey sampling (5. Aufl.). Boston,
MA: Duxbury Press.
Schnell, R. (2008). Avoiding problems of traditional sampling strategies for household surveys in
Germany: Some new suggestions. DIW, Berlin.
Schnell, R., Hill, P. B., & Esser, E. (2008). Methoden der empirischen Sozialforschung. München:
Oldenbourg.
Schwarz, H. (1975). Stichprobenverfahren: Ein Leitfaden zur Anwendung statistischer Schätzver-
fahren. München: Oldenbourg Verlag.
Sen, A. R. (1953). On the estimate of the variance in sampling with varying probabilities. Journal
of the Indian Society of Agricultural Statistics, 5, 119–127.
Särndal, C., Swenson, B., & Wretman, J. (1992). Model Assisted Survey Sampling. New York,
NY: Springer.
Statistisches Bundesamt Deutschland (2006). Pressemitteilung Nr. 249 vom 22.06.2006, Drei Vier-
tel der Bevölkerung in Deutschland sind Nichtraucher. DESTATIS.
Thompson, S. (2002). Sampling (2. Aufl.). New York, NY: Wiley.
Tillé, Y. (2006). Sampling algorithms. New York, NY: Springer.
Vijayan, K. (1975). On estimating the variance in unequal probability sampling. Journal of the
American Statistical Association, 70, 713–716.
Warner, S. (1965). Randomized response: A survey technique for eliminating evasive answer bias.
Journal of the American Statistical Association, 60, 63–69.
Westerheide, N. (2006). Diplomarbeit, Fach Wirtschaftswissenschaften, Universität Bielefeld, Bie-
lefeld.
Yates, F., & Grundy, P. (1953). Selection without replacement from within strata with probability
proportional to size. Journal of the Royal Statistical Society B, 15, 253–261.
Sachverzeichnis
A Designbasierter Cluster-Schätzer, 170, 186

ADM-Stichprobe, 200 Designbasierte Stichprobenverfahren, 92
Anteilsschätzung, 30, 52 Designbasierte zweistufige Verfahren, 197
A posteriori Schichtung, 154, 158 Design der einfachen Zufallsstichprobe, 12,
Approximative Normalverteilung, 27 192
Arithmetisches Mittel, 85 Design-Effekt, 152, 167
Ausfallrate, 6 Differenzenschätzer, 63, 65, 85
Auswahl auf’s Geratewohl, 7 Durchschnittliche Clustergröße, 168
Auswahlsatz, 22
Auswahlwahrscheinlichkeit, 13, 94, 95, 103, E
105, 165 Einfache Cluster-Stichprobe, 160
Auswahlwahrscheinlichkeiten zweiter Einfacher Cluster-Schätzer, 165, 166
Ordnung, 95, 106 Einfache Stichprobe, 19
Einfache Zufallsstichprobe, 11–13, 47, 62, 195
B Einfache zweistufige Zufallsstichprobe, 192
Bedingte Erwartung, 156 Einheiten erster Stufe, 189
Bedingte Varianz, 156 Einseitiges exaktes Konfidenzintervall, 33
Beobachtungen, 16 Ein-Zug-Auswahlwahrscheinlichkeit, 107, 116
Bernoulli-Variable, 100 Eliminierungsmethode von Tillé, 113
Bestimmtheitsmaß, 76 Endliche Populationen, 22
Bias, 19, 21 Erhebungsfehler, 6
Binomialverteilung, 36 Erwartungstreu, 21
Erwartungswert, 18, 19, 35
C Exaktes Konfidenzintervall, 30, 31, 33
Capture-Recapture Stichprobe, 212
Capture-Recapture Verfahren, 212 F
Cluster, 161, 164 Fehlerwahrscheinlichkeit, 37
Cluster-Schätzer, 165, 169
Cluster-Stichprobe, 160, 164, 166, 182 G
Cluster-Stichprobe bei größenproportionaler Gütekriterien, 21
Ziehung, 171 Genauigkeit, 12, 20, 37
Cluster-Stichprobe bei ungleicher Cluster- Gesamtvarianz, 153
Größe, 169 Geschichteter Schätzer, 142, 145, 210
Clustergröße, 168 Geschichtete Stichprobe, 137, 141, 145, 176
Clusterprinzip, 163 Gewichtung, 98
Clustersummen, 166 Größenproportionale Stichprobe, 99, 104, 106
Größenproportionale Ziehung, 170
D Grundgesamtheit, 5
Design, 11 Gruppierung, 136
259
260 Sachverzeichnis
H Modellbasierte zweiphasige Verfahren, 201,

Höhergewichtung, 155 217
Hajek, 119 Modellbasierte zweistufige Verfahren, 197
Hansen-Hurwitz-Schätzer, 117 Modellunterstützte Schätzung, 79
Hansen-Hurwitz-Strategie, 116 MSE, 21
Hilfsmerkmal, 105
Hilfsvariable, 62 N
Horvitz-Thompson-Schätzer, 94, 95, 100, 103, Nachträgliche Schichtung, 158
131, 139, 170 Nicht-zufällige Auswahlverfahren, 7
Horvitz-Thompson-Theorem, 100, 165 Non-Responder, 211
Hypergeometrische Verteilung, 30
O
I Optimale Aufteilung, 147, 153
I.i.d., 34 P
Independent and identically distributed, 34 Paarweise Auswahlwahrscheinlichkeiten, 95,
Individuen, 5 170
Inferenz, 16 Parameter, 16
Inklusionsvariable, 100 Pareto-Sampling, 113
Intervallschätzung, 25 Pareto-Verfahren, 107
Inverse Auswahlwahrscheinlichkeit, 99 Pilotstichprobe, 39, 40, 148, 150
Population, 5, 17
K Populationsliste, 14
Kleinste Quadrateschätzung, 78 Populationsmittelwert, 62
Klumpen, 161 Populationsumfang, 17
Klumpenstichprobe, 161 PPS-Auswahlwahrscheinlichkeiten, 120
Konfidenzintervall, 25, 27, 28, 37 PPS-Design, 106, 198
Konfidenzintervall für Anteile, 30, 31 PPS-Stichprobe, 105
Korrekturfaktor, 22, 38 PPS-Ziehung, 124, 125
Kosten-optimale Aufteilung, 151 Primärinformation, 62, 93
Primary sampling units, 189
L
Prinzip der kleinsten Quadrate, 74
Länge des Konfidenzintervalls, 38
Probabilities proportional to size, 105, 106,
Lineares Regressionsmodell, 74
170
Proportional, 69
M
Proportionale Aufteilung, 147, 152
Madow, 115
Proportionalitätsfaktor, 69
Mehrphasige Verfahren, 189
Mehrstufige Verfahren, 189 Q
Merkmal, 5 Quotenauswahl, 9
Merkmalsträger, 5 Quotenmerkmale, 9
Messfehler, 6 Quotenstichprobe, 9
Methode von Madow, 107, 115 Quotienten-Cluster-Schätzer, 168
Methode von Midzuno, 107 Quotientenschätzer, 69, 73, 85, 168, 197
Methode von Tillé, 107
Midzuno, 114 R
Mittelwertschätzung, 18, 21, 22, 35, 51 Rücklaufquoten, 151
Mittlerer quadratischer Fehler, 21 Regression, 73
Model assisted, 79 Regressionsschätzer, 73, 75, 77, 85
Modellbasierter Cluster-Schätzer, 168, 185 Relative Schichtgrößen, 155
Modellbasierter Schätzer, 202 Repräsentative Stichprobe, 10
Modellbasiertes Schätzverfahren, 62 Repräsentativität, 9
Modellbasierte Stichprobenverfahren, 61, 62, Residuum, 74
64, 66, 68, 70, 72, 74, 76, 78, 80, 82, 84, RMSE, 21
86, 88, 90 Root mean square error, 21
Sachverzeichnis 261
S U
Sampford-Methode, 107, 109, 110 Überdeckungswahrscheinlichkeit, 27
Satz vom iterierten Erwartungswert, 156 Umgewichtung, 155
Schätzer, 16, 18 Unabhängig und identisch verteilt, 34
Schätzfehler, 19 Unverzerrt, 21
Schätzung von Anteilen, 29
Schichten, 137, 141 V
Schichtung, 137, 140 Var, 21
Schichtungsgewinn, 153 Varianz, 19–21, 35
Schichtungsmerkmal, 138 Varianz eines Anteils, 29
Schichtungs-Prinzip, 144 Varianz-optimale Aufteilung, 147
Sekundärinformation, 62, 93, 105, 138 Varianzreduktion, 64, 66
Selbstgewichtete Stichprobe, 198 Verwerfungsstichprobe, 109
Sicherheitsniveau, 37 Verzerrte Stichprobe, 10
Splitting-Methoden, 114 Verzerrung, 9
SSB, 153 Vollerhebung, 6, 161
SST, 153
SSW, 153 Y
Standardabweichung, 19, 21 Yates und Grundy, 101
Statistiken, 16
Statistische Einheiten, 5 Z
Statistische Inferenz, 16 Zensus, 6
STD, 21 Zentraler Grenzwertsatz, 25
Stichprobe, 6, 17 Ziehen mit Zurücklegen, 34
Stichprobe mit systematischem Fehler, 10 Ziehen ohne Zurücklegen, 12
Stichprobendesign, 11, 94 Zielvariable, 62
Stichprobengewichte, 201 Zufälliger Fehler, 21
Zufälliger Schätzfehler, 19
Stichprobenumfang, 17, 37, 40
Zufallsgeneratoren, 14
Stichprobenumfang bei Anteilsschätzung, 57
Zufallsprozess, 11
Stichprobenumfang bei Mittelwertschätzung,
Zufallsstichprobe, 11, 189
55
Zwei-Phasen-Schätzer, 202
Stichprobenumfang in den Schichten, 147
Zweiphasige geschichtete Stichprobe, 208,
Strata, 141
210, 220
Stratifizierte Stichprobe, 141
Zweiphasiger Differenzenschätzer, 206
Stratifizierung, 140
Zweiphasiger geschichteter Schätzer, 209
Studienpopulation, 16
Zweiphasiger Quotientenschätzer, 206
Sum of squares between, 153
Zweiphasiger Regressionsschätzer, 204
Sum of squares total, 153 Zweiphasige Stichprobe, 211
Sum of squares within, 153 Zweiphasige Stichprobenverfahren, 201, 202
Systematische Stichprobe, 42, 44, 172 Zweiphasige Verfahren, 189
Systematischer Fehler, 21 Zweistufige Hochrechnung, 193
Systematischer Schätzfehler, 19 Zweistufiger Hansen-Hurwitz-Schätzer, 200
Zweistufiger Quotientenschätzer, 198
T Zweistufiger Schätzer, 195
Teilerhebung, 6 Zweistufige Stichprobe, 195, 214
Tillé, 113 Zweistufige Stichprobenverfahren, 189, 191
Typische Stichprobe, 8 Zweistufige Verfahren, 189

Document PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Document PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Springer-Lehrbuch

Für weitere Bände:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;

© Springer-Verlag Berlin Heidelberg 2010

Einbandentwurf: WMXDesign GmbH, Heidelberg

Gedruckt auf säurefreiem Papier

Springer ist Teil der Fachverlagsgruppe Springer Science+Business Media (www.springer.com)

Bielefeld Göran Kauermann

5 Gruppierung der Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

5.4 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

6 Mehrstufige und mehrphasige Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . 189

7 Probleme in der Anwendung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

A Das Programmpaket R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

A.5 Zusätzliche Pakete herunterladen, installieren

Nach Bundestags- oder Landtagswahlen erfolgt die Berichterstattung über die

G. Kauermann, H. Küchenhoff, Stichproben, Springer-Lehrbuch, 1

1.1 Inhalt des Buches

• Merkmalsträger oder statistische Einheiten sind die Einheiten oder Objekte, an

G. Kauermann, H. Küchenhoff, Stichproben, Springer-Lehrbuch, 5

Merkmale sind dabei zum Beispiel Einkommen, Wahlverhalten oder Meinungen

1. Welche Merkmalsträger der Population sollen beobachtet oder gemessen wer-

2.2 Nicht-zufällige Auswahlverfahren

2.2.1 „Auswahl auf’s Geratewohl“

Beispiel 2.3: Ein Supermarkt möchte Informationen über die Kundenzufrieden-

Beispiel 2.4: Sogenannte TED-Umfragen, bei denen Fernsehzuschauer um eine

2.2.2 Typische Stichprobe

2.3 Repräsentativität und Verzerrung

2.3.1 Gründe für Verzerrung

2.4 Design einer Zufallsstichprobe

Beispiel 2.8: Gegeben sei eine Population von 5 Merkmalsträgern (A,B,C,D,E).

S1 = (A, B), S2 = (A, C), S3 = (A, D), S4 = (A, E),

S1 = (A, B), S2 = (A, C), S3 = (A, D),

Tabelle 2.1 Wahrscheinlichkeiten bei verschiedenen Designs

2.5 Einfache Zufallsstichprobe

mögliche Stichproben vom Umfang n, wobei n! = n · (n − 1) · . . . · 1 ist und 0! = 1

Das Design der einfachen Zufallsstichprobe

Gegeben sei eine Population G von N Elementen. Wir ziehen n

Herleitung: Allgemein lässt sich die Auswahlwahrscheinlichkeit π für einfache Zufallsstich-

Abb. 2.1 Population und Populationsliste

Beispiel 2.9: Für eine Meinungsumfrage sollen 1 000 Haushalte in Deutsch-

Abb. 2.2 Population, Studienpopulation und Liste der Studienpopulation

2.6 Statistische Inferenz

Abb. 2.3 Schematische Darstellung einer Stichprobenziehung

Yi , i = 1, . . . , N Variable oder Merkmal des i-ten Merkmalsträgers

yk , k = 1, . . . , n Variable oder Merkmal des k-ten Merkmalsträgers

Y1 = 9, Y2 = 10, Y3 = 11, Y4 = 18, Y5 = 22.

Gezogene Individuen Mittelwert der Stichprobe ȳ Wahrscheinlichkeit

Beide Größen werden nachfolgend noch genauer definiert. Die Standardab-

wohingegen die einfache Zufallsstichprobe den Mittelwert

Analog ist die Varianz in der Stichprobe definiert durch

Damit ist die Standardabweichung

Gütekriterien für die Mittelwertschätzung

Gegeben sei ein Schätzer Ȳ für den Mittelwert Ȳ .

Anschaulicher ist die Standardabweichung

Insgesamt wird die Schätzung durch den mittleren quadratischen Fehler

Mittelwertschätzung bei einer einfachen Zufallsstichprobe

Gegeben sei eine Stichprobe y1 , . . . , yn vom Umfang n, gezogen als

Ein unverzerrter Schätzer für den Mittelwert Ȳ ist

Die Varianz von 

Die Varianz von  Ȳ E S ergibt sich wie folgt:

Für die Einzelvarianzen Var(yk ) gilt:

Es bleibt somit die Kovarianz Cov(y1 , y2 ) zu berechnen. Für diese gilt

Wieder ziehen wir n = 5, 10 bzw. 20 Individuen durch eine einfache Zufalls-

Gegeben sei ein Schätzer Ȳ für den Mittelwert Ȳ .

Die Varianz von

Die Varianz von Ȳ E S ergibt sich wie folgt:

Abb. 2.4 Population und Verteilung von

Abb. 2.5 Population und Verteilung von

Unter der Annahme, dass ein Schätzer

E S kann geschätzt werden durch

Wir bezeichnen den entsprechenden Mittelwertschätzer als Ȳ M Z , wobei der

Abb. 2.6 Verteilung von

Die Varianz von

anders ausgedrückt, die Wahrscheinlichkeit, dass der Schätzer

Daraus ergibt sich mit Hilfe der Normalverteilungsannahme für