复杂抽样 svy是什么？
复杂抽样 svy 回答的是调查数据采用分层、整群和不等概率抽样时，如何得到代表总体的估计和标准误。它不是新回归模型，而是让估计和推断尊重调查设计。
先用一句话理解
把 svy 想成样本不是随便抓来的。有些人被抽中的概率高，有些低；有些样本按社区成团抽，有些按地区分层。分析时必须把这些设计带回去。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 问卷或调查数据有权重、分层和 PSU/cluster 设计。 |
| 先不要用在 | 普通随机样本且没有抽样设计信息。 |
| 最关键的前提 | 权重、strata、PSU 的含义和变量名必须准确。 |
| 读表顺序 | 先看调查设计设定，再看加权估计和设计校正标准误。 |
| 论文表述边界 | svy 改变代表性和推断，不改变变量之间的识别假设。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| 未加权分析 | 把每个样本当等概率独立抽取。 | 可能不代表总体。 |
| 加权均值/回归 | 用权重修正代表性。 | 还需处理分层和聚类。 |
| svy 设计分析 | 同时处理权重、strata、PSU。 | 更接近调查设计。 |
核心直觉和模型公式
加权总体均值
一个简单加权均值是：
\[\bar{Y}_w=\frac{\sum_i w_iY_i}{\sum_i w_i}\]
复杂抽样的标准误还要根据分层和 PSU 设计校正。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| w_i | 抽样权重 | 样本代表总体中多少单位。 |
| strata | 分层 | 抽样前按地区、人口组等分层。 |
| PSU | 初级抽样单元 | 整群抽样中的一级单位。 |
| design SE | 设计校正标准误 | 考虑复杂抽样后的推断。 |
| population estimate | 总体估计 | 面向目标总体的估计。 |
专业使用口径
专业 svy 报告要把调查设计变量写清楚。
| 口径 | 专业写法 |
|---|---|
| 权重类型 | 说明是抽样权重、频数权重还是后分层权重。 |
| 分层和 PSU | 报告设计变量。 |
| 有限总体校正 | 如使用 FPC，应说明来源。 |
| 无权重对照 | 必要时展示加权和未加权差异。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 查调查文档 | 确认权重、分层和 PSU。 | 设计信息来自抽样方案。 |
| 2. 声明 svy 设计 | 把权重和设计变量设对。 | 变量错会影响所有结果。 |
| 3. 做加权估计 | 均值、比例或回归都按设计计算。 | 估计代表目标总体。 |
| 4. 读取设计 SE | 标准误考虑聚类和分层。 | 不要再当简单随机样本。 |
| 5. 报告设计细节 | 让读者可复核。 | 商业或政策报告也要透明。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看权重 | 样本是否代表总体。 | 权重定义决定解释对象。 |
| 再看 PSU/strata | 标准误是否按设计修正。 | 只加权不够。 |
| 然后看估计值 | 加权结果是否和未加权差异大。 | 差异大说明抽样设计重要。 |
| 最后看自由度 | 复杂抽样自由度可能较小。 | 影响 p 值和区间。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 pweight 当普通控制变量 | 错。权重要进入抽样设计。 |
| 只加权不校正标准误 | 不够。PSU/strata 也影响推断。 |
| 不知道目标总体 | 错。权重解释离不开总体。 |
| 随意丢弃权重 | 风险高。样本可能不再代表总体。 |
先看这个案例的结论
- 年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
- 年度效应 SD = 0.0028；效应量之间的异质性。
- 加权回归系数 = 0.0034；svy/权重页的系数对照。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | svy_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
svyset firm_id [pweight=size], strata(ind)
svy: regress $y $x roa lev size growth
export delimited using "$JOB_DIR/svy_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | svy_results.csv | empirical-wizard 对应方法产物 |
| 年度效应均值 | 0.0031 | Meta/SUR 页用年度子样本系数做教学效应量 |
| 年度效应 SD | 0.0028 | 效应量之间的异质性 |
| 加权回归系数 | 0.0034 | svy/权重页的系数对照 |
| Patent Gini | 0.4413 | 不平等分解页的核心分布指标 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告复杂抽样 svy，核心输出见 svy_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先确认权重、分层和 PSU 是抽样设计的一部分，不是普通控制变量。
- 使用 svy 前要设置调查设计，否则标准误和总体估计都会错。
- 报告结果时说明这是加权总体估计，不是简单样本均值或普通回归。