Anda di halaman 1dari 49

PENARIKAN SAMPEL BANYAK TAHAP

9.1 PROSEDUR SAMPLING

Di dalam bab 8, kita sudah membahas penarikan sampel berkelompok di mana


kelompok dipertimbangkan sebagai unit sampling dan semua elemen dalam kelompok yang
terpilih disebut satu per satu secara lengkap. Telah disebutkan bahwa penarikan sampel
berkelompok itu, hemat dalam keadaan tertentu tetapi metode ini membatasi penyebaran dari
sampel populasi yang hasilnya biasanya meningkatkan pendugaan terhadap varians. Oleh
karena itu, wajar mengharapkan efisiensi dari estimator akan meningkat dengan cara
pendistribusian elemen dalam jumlah besar dari kelompok dan hanya suatu contoh unit pada
setiap kelompok terpilih sebagai wakil dengan menyebut satu per satu semua elemen sampel
dari kelompok. Penarikan sampel jenis ini, yang terdiri dari pertama, pemilihan kelompok
dan kemudian pemilihan secara spesifik beberapa elemen dari setiap kelompok terpilih yang
dikenal sebagai sub-sampling atau teknik penarikan sampel dua tahap. Dalam desain
sampling, kelompok yang terbentuk dari pemilihan unit sampling pertama disebut unit-unit
pada tahap pertama atau unit-unit pada sampel utama dan elemen dalam kelompok disebut
unit-unit pada tahap pertama. Prosedur ini dapat disamaratakan untuk tiga tahapan atau
lebih dan dimasukkan dalam penarikan sampel banyak tahap. Sebagai contoh, dalam
menyurvei panen untuk memperkirakan hasil dari panen di suatu daerah, suatu blok mungkin
dipertimbangkan sebagai suatu unit sampel utama, desa/kampung sebagai unit sampel dalam
langkah yang kedua, area panen sebagai unit sampel pada langkah yang ketiga, dan suatu plot
dari ukuran yang tetap dari unit sampling yang terakhir.

Penarikan sampel banyak tahap telah ditemukan untuk menjadi hal yang sangat
bermanfaat dalam hal praktik dan prosedur ini biasanya digunakan dalam survei berskala
besar. Mahalonobis (1940) telah menggunakan prosedur ini dalam survei panen dan Ganguli
memasukkan multi-stage sampling (penarikan sampel banyak tahap) ini dalam penarikan
sampel bersarang. Chocran (1939), Hansen dan Hurwitz (1934), Sukhatme (1953), dan
Lahiri (1954) sudah membahas penggunaannya dalam bidang pertanian dan survei populasi.
Roy (1957) dan Singh (1958) telah mempertimbangkan komponen penduga varians untuk
desain sampling. Prosedur penarikan sampel banyak tahap menjadi kombinasi yang lebih
baik dari penarikan sampel acak danpenarikan sampel berkelompok. Itu diharapkan menjadi
(i) kurang efisien dibanding penarikan sampel acak satu tahap dan lebih efisien dibanding
penarikan sampel banyak tahap dari sudut pandang variabilitas sampling, dan (ii) lebih
efisien dibanding penarikan sampel acak satu tahap dan kurang efisien dibanding
pengelompokan dari sudut pandang biaya dan operasional. Keuntungan utama dari prosedur
sampling ini adalah bahwa pada langkah yang pertama, kerangka dari unit-unit pada tahap
pertama diperlukan agar bisa disiapkan dengan mudah. Pada langkah yang kedua, kerangka
dari unit-unit pada tahap kedua diperlukan hanya untuk yang terpilih unit-unit pada tahap
pertama dan seterusnya. Desain ini menjadi lebih fleksibel, yaitu seperti memperbolehkan
penggunaan prosedur penarikan sampel yang berbeda dalam tahapan yang berbeda. Itu juga
bisa dikatakan bahwa penarikan sampel banyak tahap itu mungkin hanya satu-satunya pilihan
dalam sejumlah situasi praktis di mana suatu kerangka sampel yang lengkap dari unit pada
tahapan terakhir tidak tersedia dan membutuhkan biaya besar untuk memperoleh kerangka
seperti itu.

9.2 PENARIKAN SAMPEL DUA TAHAP DENGAN UKURAN UNIT SAMA PADA
TAHAP PERTAMA: MEMPERKIRAKAN RATA-RATA DAN VARIANS
POPULASI

Karena, pada penarikan sampel dua tahap, unit-unit dipilih pada tiap tahapan dengan
mempertimbangkan struktur peluang pada tiap tahap, prosedur pemilihan pada kedua
tahapan adalah mempertimbangkan pada turunan dari nilai harapan dan varian dari
penduga berdasarkan pada jumlah observasi yang diambil pada sampel dari unit-unit pada
tahap kedua. untuk mendapatkan nilai harapan dan varian sampel dari estimator berdasarkan
pada unit-unit yang dipilih dengan memperhatikan asas randomisasi pada tahap dua, kita
mungkin mengikuti hasil yang diberikan pada Teorema 1.3.7 dan 1.3.8 yang dirangkum di
bawah ini.

E ( t ) = E1 E 2 ( t ) (9.2.1)

V ( t ) = V1 E 2 ( t ) + E1V2 ( t ) (9.2.2)

dimana E1 dan V1 adalah ekspektasi dan varian dari tahap pertama dan E2 dan V2 adalah
ekspektasi bersyarat dan varian dari tahap kedua untuk sampel dari unit-unit pada tahap
pertama .

Mari kita asumsikan bahwa populasi terdiri dari NM elemen yang dikelompokkan
pada N unit-unit tahap kedua dari tiap M pada unit-unit tahap kedua. maka n menjadi nomor
unit-unit pada tahap pertama pada sampel dan m adalah nomor unit-unit pada tahap kedua
yang terpilih dari setiap unit sampel tahap pertama. Kita juga mengasumsikan bahwa unit-
unit pada tiap tahap dipilih denga peluang yang sama. Di bawah ini adalah notasi yang
digunakan :
M

∑y ij
Rata-rata setiap elemen pada unit-unit tahap pertama
Yi = i
=
M

∑Y i
Rata-rata setiap elemen populasi
Y= i
=
N

∑ (Y )
N
2
i −Y
varian sebenarnya antara rata-rata unit pada tahap pertama
S b2 = i
=
( N − 1))

∑∑( y )
N M 2

ij −Y i
varian sebenarnya antara unit-unit dengan rata-rata pada
S w2 = i i
=
N ( M − 1)
tahap pertama

∑y j
ij
rata-rata sampel tiap unit-unit pada tahap kedua dalam uni-unit pada
yi = =
m
tahap pertama

∑y j
rata-rata semua sampel tiap elemen
y= i
=
n

Teorema 9.2.1
Jika n adalah dari setiap fsu adalah dipilih dengan metode simple random sampling,
wor, y adalah unbiased estimator bagi Y dengan varian sampel

( N − n) S b2 ( M − m ) S w2
()
V y =
N n
+
M mn
(9.9.3)

Pembuktian : Menggunakan persamaan (9.2.1) untuk mendapatkan ekspektasi, maka

( ) ( )
E y = E1 E 2 y 1 / i = E1 Y ij = Y ( )

Itu menunjukkan bahwa rata-rata semua elemen sampel adalah unbiased estimator bagi
rata-rata populasi.

Untuk memperoleh estimasi dari varians, dengan menghubungkan pada (9.2.2), kita punya

( ) [ (
V y =V1 E 2 y / i + E1 V2 y / i )] [ ( )]

( ) 1 1 1  
n
= V1 Y i + E1  2 ∑  m − M S i
2

n i 

=
( N − n ) S 2 + ( M − m ) S w2
b
nN mM n

N
1
Dimana S w2 =
N
∑S
i
i
2

Jika f1 = n/N dan f2 = m/M adalah fraksi sampel pada tahap pertama dan kedua, hasilnya bisa
dituliskan sebagai
()
V y =
(1 − f1 ) S 2 + (1 − f 2 ) S 2
b w (9.2.4)
n nm

Varians ditunjukkan pada persamaan (9.2.3) pada penarikan sampel dua tahap terdiri dari dua
komponen. Komponen satu berasal dari variabilitas dari unit-unit pada tahap kedua di dalam
unit-unit pada tahap kedua dan kedua muncul dari varian unit-unit pada tahap pertama. Jika
pemilihan unit-unit pada tahap satu disebutkan satu per satu secara lengkap atau, dengan kata
lain m = M, varian dari rata-rata sampel akan diberikan hanya oleh komponen pertama dan
kondisi ini telah dibahas pada bab 8. jika n = N atau dengan kata lain setiap unit-unit pada
sampel pertama dalam populasi terlibat dalam sampel, kemudian untuk metode stratifikasi
dengan unit-unit pada sampel pertama sebagai strata terdiri dari dua komponen, dan teknik
penarikan sampel acak sederhana dari m unit-unit sampel pada tahap kedua di peroleh dari
tiap strata

Kesimpulan 1 Berdasarkan teorema 9.2.1, penduga tak bias dari V ( y ) adalah

()
vy =
(1 − f1 ) s 2 + (1 − f 2 ) s 2
b w (9.2.5)
n nm

∑(y )
n
2
i −y
Dimana
sb2 = i

( n − 1)

∑∑ ( y )
n m
2
ij − yi
i j
sb2 =
n( m − 1)

2
Kesimpulan 2 Tunjukkan bahwa unbiased estimator dari S b adalah

Sˆb2 = sb2 −
(1 − f 2 ) s 2
w (9.2.6)
m
Kesimpulan 3 Jika n fsu’s dipilih secara acak dengan pengembalian (pemulihan) dan m
ssu’s dari setiap unit terpilih, dipilih dengan penarikan sampel acak
sederhana, wor, y adalah unbiased estimator dari Y dengan varians
sampel

S b2 S w2
V ( y) = + (1 − f 2 ) (9.2.7)
n mn

Kesimpulan 4 Jika n fsu’s dipilih secara acak, wor, dan m ssu’s dari setiap pemilihan unit
dipilih secara random, wr, y adalah unbiased estimator Y dari dengan
varians

S b2 S w2
V ( y ) = (1 − f 1 ) + (9.2.8)
n mn

Kesimpulan 5 Jika n fsu’s dan m ssu’s dari setiap pemilihan unit dipilih dengan
penarikan sampel acak sederhana, wor, y adalah unbiased estimator Y
dari dengan varians

S b2 S w2
V ( y) = + (9.2.9)
n mn

Kesimpulan 6 Jika n fsu’s dan m ssu’s dari setiap pemilihan unit dipilih dengan
penarikan sampel acak sederhana, wor, estimator

y n
Yˆ = NM ∑ i (9.2.10)
i n

Adalah penduga tak bias dari total populsi Y dan varian sampel adalah
S b2 2
2 Sw
V ( y ) = N M (1 − f 1 )
2 2
+N M
2
(9.2.11)
n mn

9.3 ALOKASI OPTIMUM : UNIT-UNIT BERUKURAN SAMA PADA TAHAP


PERTAMA

Efisiensi dari penarikan sampel dua tahap sangat tergantung pada nilai m dan n, ini
wajar untuk memperoleh nilai optimal m dan n dalam praktiknya. Pada desain
penarikan sampel dua tahap, fungsi biaya dari sampel pada survey bisa dituliskan
sebagai

C = a + nc1 + nmc 2 (9.3.1)

Dimana a adalah biaya umum, c1 adalah biaya yang melibatkan fsu pada sampel dan
c 2 adalah biaya yang melibatkan ssu pada sampel.

Dalam prakteknya, c1 nampaknya akan lebih besar dibandingkan c 2 . Oleh karena


itu, meningkatnya n akan meningkatkan biaya yang lebih besar dari meningkatnya
unit m. Mari kita juga mempertimbangkan varian sampel dari penduga. Kita
menemukan bahwa varian total pada penarikan sampel dua tahap terdiri dari dua
bagian (1) varian antara unit-unit pada tahap pertama dan (2) varians di dalam unit-
unit pada tahap pertama. Pada kenyataannya, pendugaan dari varian sampel, pada
desain dua tahap, bisa dituliskan sebagai

1 A 
V = Ao +  A1 + 2  (9.3.2)
n m

S bn S w2
Dimana Ao = , A1 = S −
2
b , A2 = S w2
N M

Itu dapat dilihat bahwa komponen perbedaan dalam kaitan dengan pengurangan unit-
unit pada tahap pertama dengan suatu peningkatan n hanya ketika perbedaan
komponen karena pengurangan unit-unit pada tahap kedua dengan meningkatkan n
dan m.
Jadi, fungsi biaya dan varian berlawanan arah untuk meningkatkan n dan m, supaya
efisiensi tiap unit dari biaya menjadi maksimum atau biaya tiap unit minimum untuk
nilai tertentu dari efisiensi.

(a) Jika Biaya Tetap Asumsi bahwa biaya C adalah tetap, katakan Co.
Menggunakan metode faktor pengali Lagrange, fungsi yang terbentuk adalah

( )
L( n, m, λ) = V y + λ( a + nc 1 + nmc 2 − C 0 ) (9.3.3)

Menurunkan L terhadap n dan m, menyamakan turunan parsial dengan nol dan


mengeliminasi λ , kita mendapatkan

1
 A2 c1  2 S w ( c1 / c2 ) 2
1

mo p t =   = (9.3.4)
A c
 1 2 [ 1
S b2 − S w2 / M 2 ]
Substitusikan nilai dari m pada persamaan (9.3.1), kita memperoleh nilai optimum
dari n sebagai

( A1 / c1 ) 2
1

no p t = ( C o − a ) (9.3.5)
( A1c1 ) 12 + ( A2 c2 ) 12

Substitusikan nilai dari mopt dan nopt pada persamaan untuk varian, kita
mendapatkan varian minimum, yaitu

Vmin ( y ) = Ao +
[ A1c1 + A2 c 2 ] (9.3.6)
( Co − a )
(b) Jika Varians Tetap Misalkan varians V dari penduga pada penarikan sampel dua
tahap tetap, katakana Vo. kemudian, nilai dari n dan m, dengan meminimumkan
biaya diberikan oleh metode factor pengali Lagrange. Aplikasikan metode yang
sama di (a) di atas, kita akan mendapatkan

1
A c  2
mopt =  2 1 
 A1c 2 

Substitusikan nilai dari m ke persamaan (9.3.2), kita nakan mendapatkan nilai


optimum dari n yaitu

A1c1 + A2 c 2 A1
nopt = (9.3.7)
Vo − Ao c1

Substitusikan nilai dari mopt dan nopt pada persamaan biaya, kita akan
mendapatkan biaya minimum yaitu

C =a+
[ A1c1 + A2 c 2 ] 2

(9.3.8)
Vo − A0

Contoh 9.1 Pada suatu percobaan, ada 100 lahan yang disebar benih gandum. Tiap lahan
dibagi menjadi 16 bidang dengan ukuran yang sama (1/16 hektar). Dari 100
lahan, dipilih 10 dengan teknik penarikan sampel acak sederhana, wor. Dari tiap
lahan yang terpilih, 4 plot dipilih secara acak, wor. Lahan dalam kg/bidang
diberikan di bawah ini :

Selected Plots

Field 1 2 3 4

1 4.32 4.84 3.96 4.04


2 4.16 4.36 3.50 5.00
3 3.06 4.24 4.76 3.12
4 4.00 4.84 4.32 3.72
5 4.12 4.68 3.46 4.02
6 4.08 3.96 3.42 3.08
7 5.16 4.24 4.96 3.84
8 4.40 4.72 4.04 3.98
9 4.20 4.66 3.64 5.00
10 4.28 4.36 3.00 3.52

(i) Perkirakan rata-rata gandum per hektar dalam percobaan beserta kesalahan
bakunya (standard error).
(ii) Bagaimana perkiraan bisa diperoleh dari penarikan sampel acak dari 40 bidang
yang dibandingkan dengan perkiraan yang diperoleh pada (i)?
(iii) Tentukan n dan m optimum dengan fungsi biaya 100 = 4n + nm

Diberikan, N = 100, M = 16, n =10, dan m = 4

Perhitungan yang diperoleh ditunjukkan di bawah ini:

∑y ij y ij (y ij − y)
2
4

∑y 2
ij y 2 ij  4 2 
 ∑ y ij − my 2 ij 
i
 
j =1
 j 
S. N.

(1) (2) (3) (4) (5) (6) (7)

1 17.16 4.290 0.0267 74.091 18.404 0.475


2 17.02 4.255 0.0165 73.565 18.105 1.145
3 15.18 3.795 0.4469 59.733 14.402 2.125
4 16.88 4.220 0.0087 71.925 71.808 0.694
5 16.28 4.070 0.0143 67.009 16.545 0.749
6 14.54 3.635 0.2586 53.511 13.213 0.659
7 18.20 4.550 0.1794 83.950 20.703 1.138
8 17.14 4.285 0.0251 73.800 17.361 0.356
9 17.50 4.375 0.0618 77.605 19.141 1.041
10 15.16 3.790 0.4402 58.718 14.364 1.262

Total 41.265 1.478 693.908 9.644

(i) Pendugaan dari rata-rata lahan gandum, dengan rumus umum, adalah

1 n 41.265
y= ∑
n i
yi =
10
= 4.1265

Pendugaan dari varians y adalah

1 1  1 1 1  2
v( y ) =  − sb2 + |  − s w
n N  nm M 

Menghitung nilai s b2 , kita mendapatkan

2
1 n
s =
2
b ∑ ( y i − y ) = 1.4782 = 0.1642
n −1 1 9

dan,

( yij − yi ) = 9.644 = 0.3215


n m
1
s b2 = ∑∑
n( m − 1) i j 30

Oleh karena itu,


1 1  1 1 1 
v( y ) =  − 0.1642 +  − 0.3215 = 0.0145
10 100  100  4 16 

Dan kesalahan baku (standard error) dari y = 0.0145 = 0.120

(ii) Pada penarikan sampel acak sederhana, estimasi dari varians diperoleh

 1 1  2
v ran ( y ) =  − s
 nm NM 

Perkiraan dari S 2 , menggunakan desain sampel dua tahap, bisa dituliskan


sebagai,

s2 =
1  
M ( N − 1) sb2 +  N ( M − 1) − ( M − m )
( N − 1) s 2 
  w
NM − 1   m  

1   99 x12  
= 16 x99 x 0.1642 + 100 x15 − 0.3215 
1600 −1   4  

= 0.4045

 1 1 
Jadi, v ran ( y ) =  − 0.4045 = 0.0099
 40 1600 

(iii) Fungsi biaya dari bentuk persamaan C = c1 n + c 2 nm dengan c1= 4, c2= 1,


dan C = 100. Nilai optimum dari m adalah

1
  2

c s w2 
mopt = 1 2

c 2 2 s w 
 s b − 
 m 
1
  2
4 0.3215
= x 

(
 1 0.1642 − 0.3215
4
) 

=4

Substitusi nilai dari m pada fungsi biaya yang diberikan, nilai optimum dari
n adalah

100
mopt = ≅ 13
8

9.4 THREE-STAGE SAMPLING DENGAN PELUANG YANG SAMA

Prosedur two stage sampling dapat dipindahkan sepertiga oleh sampling ssu’s sebagai ganti
menyebut satu per satu dengan sepenuhnya. Sebagai contoh, di dalam panen mensurvei untuk
menaksir hasil rata-rata, suatu desa dipertimbangkan unit percontohan langkah yang
pertama .Di dalam suatu yang terpilih, hanya sebagian dari bidang yang bertumbuh panen
terpilih dan diambil [ketika;seperti] sampling langkah yang kedua. Ketika suatu bidang yang
terpilih, kemaluan yang hanya tertentu tentangnya adalah sampel,dimana mungkin
memasukkan third-stage unit ( tsu). begitu hasil dari tiga sampling langkah dapat diperoleh
dengan berkembang mereka yang dua sampling langkah, dengan asumsi yang masing-
masing ssu mempunyai L third-stage unit. Ini juga mengira bahwa unit terpilih dengan
kemungkinan yang sama.

Nilai y ijk diperoleh untuk kth third-stage unit di jth unit langkah yang kedua dari ith langkah
yang pertama unit itu. Relevan populasi berarti tiap element adalah sebagai berikut:
L y ijk
Yij = ∑
k L

M L y ijk
Yi = ∑∑
j k LM ′

N M L y ijk
Y = ∑∑∑
i j k LMN
y ij , y i , dan y
akan mendanakan bersesuaian nilai-nilai untuk contoh, bersesuaian varians
populasi nantinya:
N
(Yi − Y ) 2
=∑
2
Sb
i ( N − 1)

N
(Yi − Yi ) 2
M
Sb = ∑ ∑i N (M − 1)
2

N M L ( y ijk − Yij ) 2
S b = ∑∑ ∑ NM ( L −1)
2

i j k

TEOREMA 9.4.1 jika n fsu’s, m ssu’s dan l unit yang terakhir terpilih oleh percontohan
acak yang sederhana, wor, y adalah unbiased estimator dari Y dengan varian

(1 − f 1 ) (1 − f 2 ) 2 (1 − f 3 ) 2
V ( y) = Sb + Sw + Su ( 9.4.1)
N nm nml

n m l
Di mana f 1 = , f2 = , f 3 = pecahan sampling pada tiga langkah-langkah, berturut-
N M L
turut. bukti adalah jelas nyata.

Varians yang diberi oleh hubungan ( 9.4.1) terdiri dari tiga komponen yang sesuai dengan
yang three-stage dari sampling. Komponen yang pertama adalah variabilitas dari fsu’s, yang
kedua ke variasi dari ssu’s dan yang ketiga ke tsu’s. jika m= M dan l= L, yaitu. masing-
masing dari n fsu’s adalah dengan sepenuhnya disebut satu per satu, varians dari sampel
berarti akan diberi oleh komponen yang pertama saja, mewakili varians dari sampling
langkah yang tunggal. Dengan cara yang sama, jika masing-masing dari nm terpilih unit
langkah yang kedua adalah dengan sepenuhnya disebut satu per satu, yaitu. l= L, varians dari
contoh berarti akan diberi oleh dua hal pertama itu terminologi saja, mewakili varians dari
dua orang – langkah yang sampling disain. Di (dalam) n= N atau di kata-kata yang lain, tiap-
tiap fsu di populasi dimasukkan di contoh, varians dari contoh berarti akan mempunyai
[bertahan/berlangsung] dua terminologi, yaitu. sesuai dengan suatu dibuat stratifikasi dua
sampling langkah mendesain dengan fsu’s strata.

KESIMPULAN 1 jika sampling telah selesai dengan penggantian pada tiap-tiap langkah,
adalah suatu penduga yang unbiased dari dengan sampling varians
2 2 2
Sb S S
V ( y) = + w + u ( 9.4.2)
N nm nml

KESIMPULAN 2 suatu penduga yang unbiased dari V ( y ) yang diberikan oleh

(1 − f 1 ) 2 f (1 − f 2 ) 2 f f (1 − f 3 ) 2
v( y ) = Sb + 1 Sw + 1 2 Su (9.4.3)
n nm nml

2 2 2 2 2 2
Di manakah sb , s w , su nilai-nilai contoh sesuai dengan, S b , S w , S u berturut-turut.

KESIMPULAN 3 Dengan fungsi biaya dari format

C = a + nc1 + nmc2 + nmlc3

Dan fungsi varians dari format

A1 A2 A
V ( y ) = A0 + + + 3
n nm nml

Nilai-Nilai jumlah maksimum dari l, m dan n yang memperkecil varians diberi oleh

1/ 2
Ac 
l opt =  3 2 
 A2 c3 
1/ 2
Ac 
mopt =  2 1  (9.4.5)
 A1c 2 

(C 0 − a )( A1 / c1 )1 / 2
nopt =
( A1c1 )1 / 2 + ( A2 c 2 )1 / 2 + ( A3 c3 )1 / 2

Dengan nilai yang minimum dari varians untuk ditetapkan;perbaiki C, katakan C0

[( A1c1 )1 / 2 + ( A2 c 2 )1 / 2 + ( A3 c3 )1 / 2 ] 2
V min = A0 (9.4.6)
(C 0 − a )

KESIMPULAN 4 Dengan notasi yang yang serupa seperti di kesimpulan 3, nilai-nilai


jumlah maksimum dari l, m, dan n yang memperkecil biaya ,diberi oleh

1/ 2
Ac 
l opt =  3 2 
 A2 c3 
1/ 2
A c 
mopt =  2 1  (9.4.7)
 A1c 2 

( A1c1 )1 / 2 + ( A2 c 2 )1 / 2 + ( A3 c3 )1 / 2
nopt =
(V0 − A0 )(c1 / A1 )1 / 2

Dengan biaya yang minimum untuk suatu varians yang spesifik. katakan V0,

[( A1c1 )1 / 2 + ( A2 c 2 )1 / 2 + ( A3 c3 )1 / 2 ] 2
C =a+ (9.4.8)
(V0 − A0 )
9.5 STRATIFIED MULTI-STAGE SAMPLING

Disain yang paling umum di survei yang besar-besaran dibuat stratifikasi multi-stage
sampling. Tidak prinsip yang baru dilibatkan ketika obyek adalah untuk menaksir rata-rata
dari suatu populasi dibagi menjadi k strata dan sampling di dalam masing-masing lapisan
adalah mandiri. Populasi dari fsu’s dibagi lagi ke dalam k strata. Di dalam masing-masing
lapisan, suatu contoh fsu’s terpilih dan masing-masing dari terpilih fsu’s adalah sub-sampled.

Biarkan hth lapisan berisi Nh unit langkah yang pertama, masing-masing dengan Mh unit
langkah yang kedua. Bersesuaian angka-angka contoh menjadi nh dan mh. Penduga dari
populasi berarti tiap unit langkah yang kedua diberi oleh

∑N h M h yh k
y st = h
k
= ∑ Wh y h ( 9.5.1)
∑N h
h Mh h

NhMh
Wh = k
Di mana y h contoh berarti di hth lapisan, dan adalah penimbang dari
∑ NhMh
h

lapisan dalam kaitan dengan ssu’s

Menerapkan TEOREMA 9.2.1 di dalam masing-masing lapisan, kita mempunyai

k
(1 − f1h ) (1 − f 2 h )
V ( y st ) = ∑Wh 2 [
2 2
S bh + S wh ] ( 9.5.2)
h nh nh mh

nh m
Di mana f 1h = , f 2h = h
Nh Mh
Dengan cara yang sama, suatu penduga yang unbiased tentang sampling varians diberi oleh

k
(1 − f 1h ) f (1 − f 2 h )
v ( y st ) = ∑Wh 2 [
2 2
S bh + 1h S wh ] ( 9.5.3)
h nh nh mh

Untuk mendiskusikan kasus dari alokasi jumlah maksimum, kita dapat tulis fungsi biaya
sebagai

k k
C = ∑ c1h n h + ∑ c 2 h nh mh ( 9.5.4)
h h

Dari hubungan ( 9.5.2), varians mungkin ditulis [ketika;seperti]


k
A1 h A
V ( y st ) = ∑ Wh [A0 h +
2
+ 2h +]
h n h n h mh

2 2 2
S S − S wh 2
dimana Ach = − bh , A1h = bh , A2 h = S wh
Nh mh

Karenanya, memperkecil V untuk ditetapkan;perbaiki C, atau sebaliknya, kita dapat


menggunakan Lagrange’S metoda dari pengali yang tak dapat ditentukan. Pembedaan secara
parsial w.r.t nh dan mh dan penyamaan pada nol, kita mendapatkan

1/ 2
A c  (c1h / c 2 h )1 / 2
mh =  2 h 1h  = S wh 2 2
(9.5.5)
 A1h c 2 h  ( S bh − S wh / Mh)1 / 2

( A1h c1h )1 / 2
n h = nWh (9.5.6)
∑Wh ( A1h / c1h )1 / 2
2 2
nWh[(S bh − S wh / Mh) / c1h ]1 / 2
=
∑ Wh[(S 2 2
bh − S wh / Mh) / c1h ]1 / 2

Karena; Wh ≈ NhMh kita boleh menyatakan

2 2
N hWh [ S bh − S wh / M h ]1 / 2
nh ≈
c1h


S h′
NhMh
c1h

1/ 2
 2 S 2
Di mana S h′ =  S bh − wh 
 Mh 

dapat dilihat dengan mudah dari yang tersebut di atas hubungan bahwa rumusan untuk mh
jumlah maksimum. Apakah secara tepat sama halnya di sampling yang tidak dibuat
stratifikasi. Dengan cara yang sama, nilai jumlah maksimum dari nh yang sama membentuk
perihal sampling yang dibuat stratifikasi uni-stage.

9.6 TWO-STAGE SAMPLING WITH UNEQUAL FIRST STAGE UNITS


ESTIMATORS OF MEAN DAN THEIR VARIANCES

Durbin ( 1953), Des Raj ( 1966) dan Rao ( 1975) sudah membahas berbagai pen duga dari
multi-stage sampling .Bagian ini diabdikan bagi suatu uraian tentang beberapa penduga yang
bersama-sama menggunakan. Biarkan populasi dalam pembahasan terdiri dari N unit langkah
yang pertama. Ith fsu berisi Mi unit langkah yang kedua. Lebih jauh, unit terpilih tanpa
penggantian, dengan kemungkinan berbeda atau sama. Suatu contoh n fsu’s terpilih dan dari
ith terpilih fsu, suatu contoh mi, ssu’s terpilih.

Mari kita tentukan

Mi = banyaknya ssu’s di ith fsu ( i=1,2,……,N)


Mo== total jumlah ssu’s di populasi

mi = banyaknya ssu’s untuk terpilih dari ith fsu dimasukkan di contoh

mo== total jumlah ssu’s di contoh

Mi
Yi = ∑ y ij Mi = ith fsu berarti
j

N
YN = ∑Yi N = keseluruhan cara fsu berarti
j

∑Mi Y i N
Y = =∑
i
N
Wi Y i == rata-rata tiap ssu atau populasi berarti unsur
∑Mi i
i

Ada beberapa penduga dari populasi berarti tetapi kita mengusulkan hanya untuk belajar
sebagian dari yang metode yang praktis adalah,
n

1 n
∑M i yi
(9.6.1)
y = ∑ u i yi = i

n i nM

∑y i
y1 = i

n
(9.6.2)
n

∑M i yi
y= i
n (9.6.3)
∑ Mi1

mi y ij Mo Mi
Di mana y1. = ∑ , M = , dan u i =
j mi N M

TEOREMA 9.6.1 menujukkan bahwa penduga yang diberi oleh hubungan ( 9.6.1) adalah
unbiased dan sampling variansnya diberi oleh

2
(1 − f 1 ) 2 N (1 − f 2 h ) S wi
v( y ) = [ S b + ∑ Mi 2 ] (9.6.4)
n i nN M 2 mi

N Mi

Di mana 2
∑ (u iYi − Y ) 2 dan
∑( y ij − Yi ) 2
Sb = i
Swi 2 =
j

( N − 1) ( Mi − 1)

Bukti untuk membuktikan ∑u y i i


adalah suatu penduga yang unbiased, kita dapat tulis
y= i

n
n

E ( y ) = E1 ∑E i
2 (u i y i | i )
[ ]
n
n

=
∑u Y i i
1 n
E1 [ i

n
]= ∑ E1 (ui Yi ) = Y
n i

Sampling varians dari penduga diberi oleh


V ( y ) =V1 E 2 ( y | n) + E1V2 ( y | n)

1 n  1 n
Mi
2

= V1  ∑ u i Yi  + E1  2 ∑i M 2 i. 
V ( y | n )
n i   n 

2 2 2
Sb N
M (1 − f 2i ) S w
= (1 − f1 ) +∑ i
n i nN M 2 mi

Unit terpilih dengan kemungkinan yang sama di metode ini dan kontribusi dibuat oleh fsu’s
kepada komponen dari varians ini tergantung pada variasi antar fsu total. Jika unit berubah-
ubah sesuai ukurannya maka ukuran, komponen ini akan jadi besar. Komponen yang kedua
dari varians adalah juga besar seperti nampaknya akan ada korelasi yang positif antar Mi dan.
2
S wi . . Sering, komponen ini menjadi sangat besar bahwa penduga tidaklah lebih disukai

n
yi.
KESIMPULAN 1 Menunjukkan bahwa perkiraan penduga Y = ∑ NMi ˆ secara
i n
unbiased populasi total Y dan sampling varians nya akan [jadi] diberi oleh

(1 − f 1 ) 2 2 (1 − f 2 i )
n
S b + ∑ NM i
2
V ( yˆ ) = N 2 2
S wi ( 9.6.5)
n i nmi M

KESIMPULAN 2 Suatu penduga yang unbiased tentang varians di (dalam) hubungan


( 9.6.4) diberi oleh

(1 − f1 ) 2 n
(1 − f 2i )
Sb + ∑
2 2
v( y ) = S wi u i (9.6.6)
n i nmiN

2 2
Di mana S b dan dan S wi adalah mempunyai; maksud/arti umum mereka
TEOREMA 9.6.2 Menunjukkan bahwa penduga yang diberi oleh hubungan (9.6.2) bias
dan biasnya diberi oleh

B = −∑( Mi − M )Yi / NM ( 9.6.7)

Dan sampling varians oleh

(1 − f1 ) 2 1 N
(1 − f 2 i )
V ( y1 ) =
n
S b′ +
nN
∑i mi
S wi
2
( 9.6.8)

(Yi − Y ) 2
N
=∑
2 2
Di mana S b dan S wi adalah seperti biasanya
i ( N − 1)

Bukti Untuk membuktikan y1 adalah suatu penduga yang bias, kita dapat mendapatkan
n
y1
E ( y1 ) = E {∑ } =
n
∑E 2 ( yi . | i)
n E1 [ i
]
n

= ∑Y i
E1 [ i
] = YN ≠ Y
n

Yang mana menunjukkan y1 adalah suatu penduga yang bias.

Biasnya dapat diperoleh


N
Y N
Mi Yi
B =Y N −Y = −∑ i − ∑
i N i NM
N N
1
=− [∑( Mi Yi ) − ∑MYi ]
NM i i

N
1
=− [∑( Mi − M )Yi ]
NM i

Sampling varians dari penduga diberi oleh

V ( y ) =V1 E 2 ( y1 | n) + E1V2 ( y 2 | n)

1 n  1 n

= V1  ∑ Yi  + E1  2 ∑V 2 ( y i. | i )
n i  n i 
S′ S′
2 2 2 2
1 n
(1 − f 2i ) S wi 1 n
(1 − f 2i ) S wi
= (1 − f 1 ) b + E1 [ 2
n n
∑i mi
] = (1 − f1 ) b +
n nN
∑i mi

Bias di penduga y1 nampak dalam kaitan dengan fakta bahwa kemungkinan dari pemilihan
dari ssu’s bertukar-tukar dari satu unit ke lain, di fsu’s, dalam kaitan dengan ukuran berbeda
mereka. Jika Mi’S tidak bertukar-tukar dengan sangat dan variabel studi tidaklah
dihubungkan dengan Mi. bias tidak boleh besar. Di sini, MSE dari akan terdiri dari tiga
komponen: satu dari bias, satu dari variasi di dalam fsu’s dan seseorang timbul dari variasi
antar rata-rata dari fsu’s. Nilai-Nilai dari mi’s tidaklah ditetapkan dan suatu pilihan yang
sesuai tentang mi dapat sangat menolong di dalam mengendalikan komponen ini.

KESIMPULAN 1 Suatu penduga yang unbiased dari bias diperoleh oleh

( N − 1) n

B̂ = − [∑( Mi − M ′)( y i . − y1 ) (9.6.9)


NM ( n − 1) i

dimana ∑ Mi
M′= i

n
KESIMPULAN 2 Suatu unbiased estimators dari varians diberi oleh

S′
2 2
n
(1 − f 2i ) S wi
v( y1 ) = (1 − f 1 ) b + ∑ (9.6.10)
n i nN mi

n mi

dimana S 2 =
∑ ( yi − y ) 2
i dan
∑( y
j
ij − yi ) 2
b Swi 2 =
( n − 1) (mi − 1)

TEOREMA 9.6.3 Menunjukkan bahwa penduga yang dihubungkan oleh ( 9.6.3) adalah
bias dan biasnya adalah

1 1   S My 
Bias ( y 2 ) =  − Y  S M − 
2
( 9.6.11)
n N   Y 

Dan sampling variansnya adalah

1 1 S′
2 2 2
1 N
M (1 − f ) S
V ( y2 ) = ( − ) b +
n N nN
∑i i M 2i miwi ( 9.6.12)
n
Mi
Di mana 2
∑( M − 1) 2
SM = i

( N − 1)

n
Mi Mi Y i
∑( M −1)(
M
−Y
SM y
= i

( N −1)

∑ Mi 2
(Yi − Y ) 2
Sb 2 = i

M 2 ( N − 1)

2
Dan S wi seperti biasa

Mi y i . n n
Bukti: Jika kita mengambil ∑ i M
= ny dan ∑i Mi M = nu kemudian penduga y 2
dapat ditulis penduga perbandingan y u . Menerapkan hubungan (6.3.2) dan (6.4.1.) kita
dapat temukan varians dan bias

Benar-Benar y 2 adalah perbandingan ke penduga ukuran, di mana pengetahuan dari M


tidaklah perlu. Pada bentuk yang yang serupa, seseorang boleh menggambarkan penduga
kemunduran dan bias nya, dan sampling varians dapat diperoleh tanpa kesukaran.

Dengan membandingkan V( y 2 ) dan V( y ), seseorang boleh menyimpulkan bahwa istilah


yang kedua di (dalam) hubungan (9.6.12) adalah serupa dengan istilah yang kedua dalam
hubungan (9.6.4). Istilah yang pertama bagaimanapun, diharapkan untuk kurang dari
bersesuaian istilah di yang sama jika fsu’s szes dan total mereka adalah secara positif
dihubungkan dan koefisien korelasi adalah lebih besar dari separuh perbdaningan dari CV’S
mereka. Dengan Cara Yang Sama, jika Mi dan (Yi −Y ) adalah secara positif dihubungkan
dan bias di y1 adalah sepele, kemudian V( y 2 ) akan [jadi] lebih besar dari V( y1 ). Secara
umum, jika Mi’S bertukar-tukar dengan sangat, penduga, yang disajikan n adalah danMi
yang cukup besar adalah sangat dihubungkan dengan variabel studi. Di panen mensurvei di
(dalam) India, suatu studi yang empiris pada efisiensi yang relatif dari tiga penduga,, y , y1
, dan y 2 telah dibuat ketika diamati bahwa yang sederhana rata-rata mempunyai standar
paling sedikit kesalahan. Hasil yang yang serupa dipertunjukkan di (dalam) contoh 9.2. Mi’S
ditemukan untuk bertukar-tukar dengan sangat dari desa ke desa dan bias ditemukan untuk
sepele. Penduga telah diamati untuk secara komparatif lebih sedikit efisien

Penduga yang tidak bias untuk varians ( 2) adalah sebagai berikut

v( 2) =

Contoh 9.2 Untuk latihan penelitian memberi makan dan membesarkan domba dan bulunya
di negara Rajashtan, selama tahun 1980-81, desain sampel dua tahap dengan tehsils sebagai
tahap pertama dan desa sebagai tahap kedua yang digunakan dalam metode ini. Data yang
diberikan di bawah ini adalah populasi domba yang tetap di desa yang terpilih dari 4 tehsil
yang terpilih dari 12 tehsil dari divisi Ajmer, data ini dihitung dari survei dengan jumlah
desa di tehsil.
Tehsil Jumlah desa di Populasi domba di desa terpilih
terpilih setiap tehsil (Mi)
Behrar 102 266,890,311,46,174,31,17,186,224,31,162,46,31,
109,275,128,125,267,153,152,84,21,52,10,0,48,9
4,123,87,89,109,0,310,3
Bairath 105 129,57,64,11,163,77,278,50,26,127,252,194,350,
0,572,149,275,114,387,53,34,150,224,185,157,24
4,466,203,354,816,242,140,66,590,747,147
Ajmer 200 247,622,225,278,181,132,659,403,281,236,595,2
65,431,190,348,232,88,1165,831,120,987,938,19
7,614,187,896,330,485,60,60,1051,651,552,968,9
87
Bansur 88 347,362,34,11,133,36,34,61,249,170,112,42,161,
75,68,0,247,186,473,0,143,198,65,0,308,122,345,
0,223,302,219,120,199,35,0,0

Hitunglah rata-rata dari populasi domba di desa Ajmer selama tahun 1980-81, dengan
standard errornya jika =124.
Didapatkan
=124, M1 = 102, M2 = 105, M3 = 200, M4 = 88,
N= 4, m1 = 34, m2 = 36, m3 = 35, m4 =
36,
= 135, = 225, = 471, = 141,
dan

(i) Cara pertama. Penduga yang tidak bias dari rata-rata populasi domba
adalah sebagai berikut
=

Jadi,

Estimasi dari V( ) adalah

v( ) =

dimana
nilainya,
=

dan

= =154.87

Jadi,

v( )=

standard error dari = = 94.94


(ii) Cara kedua. Penduga yang lain dari populasi domba adalah
=

Varians estimator dari adalah sebgai berikut

v( ) =

dimana

dan

didapatkan

Dan telah dihitung sebelumnya.


Jadi,
v( )

= 4214
standard error dari = =64.92

(iii) Cara Ketiga Kita juga mempunyai yang merupakan estimator dari
rata-rata populasi yaitu

Kita menghitung,

= 0.998

karena itu

begitu juga, estimasi dari V( ) adalah

v( ) =

dimana
maka

= 38401.87
Dan bagian kedua dari varians telah ada di (i).

Jadi v( ) =

= 6555.19
standard error dari adalah =

9.7 Alokasi optimum : unit yang berbeda tahap pertama


Di bagian 9.3, kita telah membicarakan alokasi optimum untuk tahap pertama
jika unit-unitnya mempunyai ukuran yang sama. Fungsi dari biaya dan varians
mempunyai lawan dalam perlakuan peningkatan jumlah n dan m, dan hal itu
penting untuk dipertimbangkan sebelum alokasi optimum dibicarakan lebih
lanjut.
Fungsi Biaya. Di desain penarikan contoh untuk dua tahap, biaya survey dapat
dituliskan sebagai berikut
(9.7.1)
Dimana adalah biaya tidak tetap, adalah biaya rata-rata per fsu, dan
adalah biaya rata-rata per ssu.
Dalam kenyataannya, kelihatan lebih besar dari . Karena itu, peningkatan
jumlah unit (n) meningkatkan biaya yang dapat dibandingkan dengan
peningkatan . Jadi, komponen kedua dari fungsi biaya akan berbeda dari setiap
sampel yang satu dengan sampel yang lainnya untuk jumlah n tertentu dan oleh
karena itu, itu menjadi hal yang penting untuk diketahui dari alokasi optimum
dari jumlah total sampel berdasarkan ssu yang terpilih, jadi rata-rata jumlah
sampel ssu yang terpilih untuk setiap fsu adalah m. Masalah ini telah dibicarakan
oleh Rangarajan (1957) dan Rao (1961). Mereka memberikan metode yang
berbeda dengan dengan m adalah nilai rata-rata atau dengan
adalah konstanta positif. Maka kita mepertimbangkan bahwa biaya rata-rata
dari pembicaraan sebelumnya dapat dituliskan sebagai berikut
(9.7.2)

Fungsi Varians Dari pernyataan varians penarikan contoh yang dibahas pada
bagian sebelumnya, kita dapat berkata bahwa varians total dalam penarikan
contoh dua tahap dapat dituliskan dalam rumus

V( ) (9.7.3)

Dimana adalah konstanta yang independen dari dan , dan dan


fungsi dari populasi parameter yang analog dengan dan , jumlah sampel
yang independen yaitu
dan . Jika , dimana m adalah rata-rata dari jumlah unit yang terpilih
per ssu,
= E( ) dan tergantung dari metode yang menentukan sekelompok nilai dari
, maka hubungan (9.7.3) diambil dari rumus

V( ) (9.7.4)

Peningkatan dari n dan m mebuat perubahan yang signifikan yaitu penurunan


varians. Singh (1958) telah membicarakan perlakuan dari varians dan efisiensi
ketika jumlah dari fsu dan ssu tetap. Petunjuk yang mendasar untuk alokasi
optimum, adalah utnuk meminimalkan varians untuk biaya tetap, efisiensi setiap
unit dari biaya adalah maksimum atau meminimumkan biaya dengan varians
tertentu, biaya per unti adalah minimum untuk suatu nilai efisiensi tertentu. Kita
harus membicarakan kedua kasus di atas.

(a) Jika biaya tetap. Andaikan biaya tetap, katakanlah dan estimator
digunakan. Dengan memproses apa yang kita bicarakan di bagian 9.3 maka
kita mempunyai

(9.7.5)

Dimana (9.7.6)

(9.7.7)
Dengan mensubstitusi nilai dan ke rumus varians maka kita
mendapatkan rumus varians minimum adalah sebagai berikut

(9.7.8)

Andaikan telah ditentukan sebagai penimbang yang proporsional untuk


, jika , dimana adalah konstanta positif dan bisa didapatkan
sebagai

(9.7.9)

Jika ukuran ssu adalah sama, nilai optimum dari m dan n adalah sebagai
berikut

(9.7.10)

(9.7.11)

Rumus di atas dapat dibandingkan dengan nilai yang diberikan dalam


hubungan (9.3.7) dan (9.3.5)

(b) Jika varians ditentukan. Andaikan varians ditentukan oleh suatu nilai
tertentu, katakanlah . Dengan prosedur yang biasa, kita mendapat nilai

yang sama dari sebagai hubungan dari (9.7.5). Selanjutnya, kita


mempunyai rumus sebagai berikut

(9.7.12)

Dengan mensubstitusi nilai dari dan di fungsi biaya, kita


mendapat biaya minimum sebagi berikut

(9.7.13)

Dalam praktik, pengambil sampel akan mempunyai pertimbangan akan faktor


lain seperti adminstratif dan kenyamanan pelayanan di lapangan sebagai
tambahan untuk pendekatan varians-biaya. Dalam survei skala besar,
kegiatan yang ada di lapangan akan selalu mempunyai peran yang
mendominasi dan pengambil sampel akan memutuskan pilihan sesuai
keputusannya sendiri.

9.8 Metode PPS dua tahap


Di bagian pembahasan, teori untuk metode yang memiliki tahap banyak
dengan peluang yang sama dari setiap tahap yang terpilih telah dibicarakan.
Jika fsu adalah besar dan berbeda dalam ukurannya, maka lebih dianjurkan
untuk memakai metode pps, ukuran menjadi ’s. Sistem dari metode ini
terbentuk dari penggunaan peluang yang bervariasi dan metode ini telah
digunakan oleh Hansen dan Hurwitz (1943,1949). Singh (1954)
membandingkan dua estimator dalam desain penarikan contoh dua tahap
dimana fsu dipilih dengan peluang yang bervariasi, tanpa pengembalian, dan
ssu dengan peluang yang sama, dengan pengembalian, dan tanpa
pengembalian. Penduga alternatif disarankan oleh Rao (1966). Metode yang
sederhana dari pendugaan varians telah ditemukan oleh Durbin (1967).
Brewer dan Hanif (1970) telah memperbaiki dan memperluas metode untuk
estimator yang lain.
Andaikan sampel dari n fsu dipilih dengan pps, WR. Dari sampel terpilih
dengan fsu, pilihan dari ssu’s dibuat dengan SRS,WOR. Jika fsu terpilih
lebih dari sekali, kemudian akan timbul kebebasan dari ssu’s yang
disebabkan oleh pengambilan sampel WOR dari fsu yang lengkap setiap saat.
Estimator yang tidak bias dari Y adalah

(9.8.1)

Dimana p adalah peluang untuk memeilih sampel dari fsu dari setiap
pengambilan

, dan

Estimator dari varians sampel adalah sebagai berikut

(9.8.2)

Estimator yang tak bias bagi adalah

(9.8.3)
Yang memberikan prosedur yang baik dari pendugaan, metode apasaja dari
pemilihan yang diambil pada tahap kedua, menyediakan fsu yang dipilih
dengan pengembalian. Jika tertarik dalam menduga varians di dalam populasi
dan antar populasi kemudian komponen antar populasi bisa didapatkan
dengan menggabungkan komponen dalam populasi dengan (9.8.3).
Komponen varians fsu dalam populasi dapat diduga secara tidak bias melalui

(9.8.4)

9.9 Desain tertimbang sendiri


Dalam survei skala besar, estimator didefinisikan dalam rumus (9.8.1)

termasuk pernyataan yang akan bervariasi dari unit yang satu ke unit

yang lain. Dikarenakan kerumitan dari keragaman yang alami, analisis dari
data akan cukup tidak praktis. Dalam situsi ini, teknik sampel tertimbang
sendiri dijelaskan di bagian 3.7.2 akan terbukti sangat berguna. Desainnya
menyediakan timbangan tunggal umum untuk seluruh unit sampel yang
dikenali sebagai desain tertimbang sendiri, dan sering disebut desain
tertimbang yang sama. Desain ini bisa dibuat dengan tahap penduga dimana
tiap unit mempunyai timbangan sendiri-sendiri. Jika pemilihan dari unit
dilakukan untuk membuat seluruh timbangan sama satu sama lain maka
desainnya dinamakan desain tertimbang sendiri pada tahap lapangan.
Contohnya, desain tahap bertingkat bisa dibuat dari tahap desain tertimbang
sendiri dengan pilihan yang tepat dari jumlah unit untuk setiap tahap yang
dipilih dalam tahap penarikan contoh yang terakhir. Jika metode ini dipakai
melalui beberapa penduga pada setiap tahap maka desain ini disebut desain
tertimbang sendiri pada tahap penduga.
Biasanya desain ini dibuat dan dipakai karena faktor-faktor yang berada di
lapangan seperti biaya dan kenyamanan operasional. Contohnya, dalam
survei panen padi, hal itu mungkin akan menjadi sulit dalam membuat
kerangka dari pertumbuhan semua padi yang ada, dimana kerangka dari
setiap desa mungkin mudah didapatkan. Begitu juga susunan dari kerangka
padi tersebut akan menaikkan biaya, menghabiskan tenaga, dan usaha yang
lain, bila faktor-faktor ini minimum dari desa yang terpilih dan lahan yang
terpilih pada setiap desa yang terpilih. Bagaimanapun juga, itu mungkin tidak
selalu merujuk pada desain tersebut karena dalam praktiknya sulit untuk
mempunyai timbangan yang sama untuk seluruh unit sampel. Pada beberapa
kasus, dua atau lebih timbangan digunakan, menyediakan jumlah timbangan
yang umum itu hampir kecil. Kadang-kadang itu menjadi hal yang penting
untuk membuat desain tertimbang sendiri pada tahap pendugaan. Metode
yang bervariasi tersedia untuk tujuan ini. Pada bagian ini, kedua situasi dalam
membuat desain di lapangan dan pada tahap pendugaan dipertimbangkan.
Prosedur dalam membuat desai tertimbang sendiri pada tahap lapangan telah
dipikirkan oleh Hansen (1953) dan Lahiri (1954). Masalah dalam membuat
desain tertimbang sendiri pada tahap pendugaan telah dibicarakan oleh
Murthy dan Sethi (1959,1961). Som (1959) telah memberikan prosedur untuk
membuat desain tertimbang sendiri dua tahap dalam suatu strata dengan
jumlah unit terpilih pada setiap fsu pada tahap terkahir metode adalah sama.
Dalam stratifikasi, kita telah mengetahui bahwa alokasi proporsional
mengacu pada desain sampel yang tertimbang sendiri. Dengan kata lain, jika

bahwa penimbangnya adalah sama untuk setiap unit sehingga (i)tabulasi menjadi lebih
mudah, (ii) analisis menjadi lebih mudah, dan (iii) biaya diminimumkan. Keuntungan lain
dari desain penimbang sendiri adalah memberikan ukuran sample yang konstan dari setiap
fsu terpilih. Jadi, para peneliti tidak bertanggung jawab terhadap hasil yang berbeda dari fsu
yang berbeda. Kelemahan sistem ini hanya bahwa beberapa metode menghasilkan estimasi
yang bias meskipun, di beberapa kasus, dengan varians yang lebih kecil.

CONTOH 9.3 Untuk mengestimasi total populasi domba di Divisi Ajmer Rajashtan tahun
1980-81, desain survey yang digunakan adalah penarikan sampel dua tahap dengan tehsil
sebagai unit tahap pertama(fsu) dan jumlah desa pada tehsil sebagai unit tahap kedua(ssu).
Tehsil diambil dengan pengembalian dan dengan peluang mengacu pada populasi
domba(pps) dalam sensus peternakan tahun 1976, dimana desa-desa pada setiap tehsil
diambil dengan peluang yang sama serta tanpa pengembalian. Data yang diberikan
menunjukkan populasi domba di desa terpilih pada Divisi Ajmer yang merupakan hasil
penghitungan survey putaran kedua.

Tehsil No. Desa Peluang Populasi Domba pada Desa Terpilih


Terpilih pada Tehsil
Tehsil Terpilih (pi)
(Mi)
Behrar 102 0.008568 266, 174, 224, 66, 109, 267, 21, 48, 87, 890, 31,
31, 102, 275, 153, 52, 94, 89, 311, 17, 108, 46,
128, 152, 10, 123, 109, 46, 186, 128, 39, 126,
84, 0
Bairath 105 0.015079 129, 163, 26, 350, 275, 34, 157, 354, 66, 57, 77,
127, 0, 114, 150, 244, 816, 590, 64, 278, 252,
572, 387, 224, 466, 242, 747, 11, 50, 194, 149,
53, 185, 203, 140, 174
Ajmer 200 0.073556 247, 181, 403, 265, 232, 130, 197, 330, 1051,
622, 987, 281, 431, 88, 987, 614, 485, 651, 225,
132, 236, 190, 1165, 938, 187, 60, 552, 278,
650,595, 348, 831, 968, 895, 60,570
Bansur 88 0.012632 347, 133, 249, 161, 247, 143, 308, 223, 120,
362, 36, 170, 75, 186, 198, 122, 302, 199, 34,
112, 68, 43, 65, 345, 219, 35, 11, 61, 42, 0, 0, 0,
0

Perkirakan total populasi domba pada Divisi Ajmer tahun 1980-81 serta standar
error-nya.
Penyelesaiannya adalah sebagai berikut :

No. Tehsil
M p i i m ∑y M ∑y m p
i
i
ij i
j
ij i i

M y i ij

jmp i i

1 102 0.00856 34 4592 468384 0.29131 1,607,843.137


8 2 2
2 105 0.01507 36 8120 852600 0.54284 1,570,616.972
9 4 8
3 200 0.07355 36 17062 3412400 2.64801 1,288,662.908
6 6 4
4 88 0.01263 34 5080 447040 0.42948 1,040,867.265
2 8 2
5,507,290.283
6

Sebuah estimasi yang tidak bias terhadap total populasi domba diberikan sebagai

1 n mi M i yij
Yˆ pps = n ∑∑
i j m p
i i

1
Yˆ pps
=
4
× 5508290.2836

Yˆ pps
= 1377072.57

Estimasi terhadap V Yˆ ( ) pps


adalah sebagai berikut

 
2 2

 n  m i M i y ij  1  n m i M i y ij
( )
v Yˆ =
1
∑ ∑
n( n − 1)  i  j
 − ∑ ∑
 n i j m p


p
pps

  m i i   i i  
( )
v Yˆ
pps
=
1
4×3
( 7796053512 516 − 7584488460 025 )
v (Yˆ ) = 1760340438 0.9167
pps

∴Standar error dari Yˆ pps


= 1760340438
0.9167 = 132779.54 dan persentase relatif
132779 .54
standar error = ×100 = 9.61
1377072 .57

9.10 Penarikan Sampel pps Tiga Tahap

Kita telah membahas penarikan sample pps dua tahap pada bagian sebelumnya, yang dapat
dikembangkan menjadi tiga tahap atau lebih. Sebuah sample dari nml unit dipilih dalam 3
tahap dengan mengunakan pps, dengan pengembalian, pada setiap tahap. Misalkan sebanyak
n fsu terpilih dengan pi menyatakan peluang terpilih untuk fsu ke-i (i=1, … ,N). Dari setiap
fsu terpilih sebanyak mi ssu dipilih dengan pij menyatakan peluang terpilih untuk ssu ke-j
(j=1, … ,Mi) dan dari setiap ssu terpilih sebanyak l unit tahap ketiga (tsu) dipilih dengan pijk
menyatakan peluang terpilih untuk tsu ke-k dari ssu ke-j pada fsu ke-i p(k=1, …, Lij). yijk
menyatakan nilai dari tsu ke-k pada ssu ke-j dari fsu ke-i (i = 1, …,n; j = 1, …,m; k = 1, …, l)
pada sample. Sebuah penduga populasi total Y didefinisikan sebagai

1 n
1 y m
1 l
Yˆ = ∑ ∑ ∑
ijk
(9.10.1)
nml ip p p 1
j
ij
k
ijk

Dapat ditunjukkan dengan mudah bahwa penduga tersebut tidak bias yaitu
( ) E E E (Yˆ ) = Y
E Yˆ = 1 2 3

Dengan ragam penduga diperoleh dari

( ) ( )
V Yˆ = V 1 E 2 E 3 Yˆ + E1V 2 E 3 Yˆ + E1 E 2V 3 Yˆ ( ) ()

Sehingga,

M   2

y ijk
2
 N 2

( ) 1  Y 
V Yˆ =  ∑ i − Y  +
1 N
1  i
Y ij 2 1 N
1 M i 1  Lij 2
− y ij 
∑ ∑ ∑ ∑ ∑
2
−Y i  +
n i p  nm i pi  i pij  nml i pi i pij  k p 
 i    
ij

(9.10.2)

Sebuah penduga tidak bias V (Yˆ ) diberikan oleh

 n 2 ˆ2 
()
ˆv Y = 1  ∑ y − Y 

n( n − 1)  i n 
i ⋅  (9.10.3)

 
1 m
1 l
 y 
i j k
Dimana y= ∑ ∑ 
p
i⋅
i
j pi j  k p 
i j k

Harus diingat bahwa, seperti pada penarikan sample dua tahap, fungsi ragam penarikan
sample pada penarikan sample tiga tahap juga dapat ditulis sebagai
A+A
( ) An + nm
V Yˆ = 1 2 3

nml

Demikian juga, fungsi biaya dapat ditulis dalam bentuk

C = a + n c1 + nmc2 + nm lc3 (9.10.4)

Dimana a adalah biaya tambahan dan c1, c2 serta c3 seperti pengertian biasanya.

(i) Jika biaya survey tetap, katakan C0, maka nilai optimum dari n, m,dan l diberikan
sebagai

12

 A3c 2  
l = 
opt  
 A2 c 3  

12

 A2c1  
m =
opt   (9.10.5)

 A1c 2  

( c − a ) ( A1 c1)
0
12


n =opt
( A1c1) + ( A2c1) + ( A3c3)
12 12 1 2


Dengan mensubstitusi nilai-nilai l, m dan n, kita memperoleh ragam minimum sebagai


V ( Y
{
ˆ ) = ( A1c1)
+ ( A2c 2) + ( A3c3)
12 12 12
} 2

(9.10.6)
m in
(c − a) 0

(ii) Jika ragamnya ditentukan, katakan V0, nilai-nilai optimum n, m dan l diberikan
sebagai

12

 A3c 2  
l opt 
=  
 A2c 3  

12

 A2c1  
mopt  =  
  (9.10.7)

 A1c 2  

( A c ) (
12
+ c) (
12
+ c
A2 2 A3 3 
12

)
nopt = 1 1
( )
V o c1 A1
12


Dengan mensubstitusi nilai-nilai l, m dan n, kita memperoleh biaya minimum sebagai

C = a+
V
(
1
0
A1c1 + A2c 2 + A3c3 ) 2
(9.10.8)
Kumpulan Soal

9.1 Definisikan penarikan sample multi-tahap dan tuliskan kegunaannya dibandingkan


skema penarikan sample lainnya. Tuliskan penduga tidak bias dari total populasi dan
tentukan ragam penarikan sampelnya.
9.2 Apakah yang dimaksud dengan penarikan sample multi-tahap? Berikan persamaan
penduga ragam dari total populasi untuk desain penarikan sample tiga tahap yang
sesuai saat setiap unit memiliki ukuran yang berbeda pada setiap tahap penarikan
sample. Berikan struktur analisis ragam pada penarikan sample tiga tahap dan
jelaskan bagaimana analisis tersebut dapat digunakan dalam merencanakan survey
selanjutnya.
9.3 Misalkan sebanyak n fsu dipilih dengan pps, dengan pengembalian, dan, dari setiap
fsu terpilih, dipilih sebanyak m ssu dengan penarikan sample acak sederhana, tanpa
pengembalian. Berikan penduga tidak bias dari total populasi Y dan tentukan penduga
tidak bias dari ragam penarikan sample dari penduga tersebut.
9.4 Jika f1 dan f2 adalah fsu penarikan sample dua tahap yang sama dengan ukuran fsu
yang sama dan fungsi biaya adalah linear, tunjukkan bahwa m = 2 menghasilkan nilai
V (Y ) yang lebih kecil daripada m = 1 jika

c > 2S
1 b

c S
2
2
w

9.5 Jika ρ adalah koefisien korelasi antara ssu pada fsu yang sama, buktikan bahwa
 2 2

( N − 1) S b
− S w

ρ  N M
= 
1− ρ 2
S w

9.6 Sebuah populasi memiliki N fsu, masing-masing memiliki M ssu. Untuk


mengestimasi proporsi P dari unit yang memiliki sifat tertentu , sebanyak n fsu dipilih
dengan penarikan sample acak sederhana, tanpa pengembalian, dan dari setiap fsu
terplih sebanyak m ssu dipilih dengan penarikan sample acak sederhana, tanpa
pengembalian. Jika pi menyatakan proporsi sifat pada fsu terpilih ke-i, tunjukkan
n
bahwa Pˆ = ∑ pi n merupakan penduga yang tidak bias dari proporsi populasi P.
i
Tentukan ragam dari penduga tersebut dan tunjukkan bahwa penduga tidak bias dari
V (P
ˆ ) adalah

( ) (
v Pˆ = 1 − )
f ∑
( n p i −Pˆ )
2

+ 1−( f )∑ pNn((1m−−p1))
n
i i
1
i n( n − 1) 2
i

Dimana f1 dan f2 pada pengertian seperti biasanya.


9.7 Pada sebuah survey pendahuluan dengan desain penarikan sample dua tahap,
sebanyak m ssu dipilih dari setiap n fsu. Perkirakan V ( y ) , saat sample fsu lainnya
diambil dari n dan dari setiap fsu terpilih, diadakan pemilihan ssu sebanyak m.
Tunjukkan bahwa penduga tidak bias dari V ( y ) adalah

( ) S b + 1 − m 1 −
( )− f  S2
2

v( y ) = 1 − f f f  w
1 n  m' 1 1 2 nm


2 2
Dimana S b
dan S w
diperoleh dari sample pendahuluan.

9.8 Definisikan desain penimbang sendiri dan diskusikan keulebihan dan kelemahannya
secara singkat. Tunjukkan bahwa sebuah desain dua tahap, dimana sebanyak n desa
dipilih dengan peluang mengacu kepada jumlah rumah tangga yang dimilikinya, pada
tahap pertama, dan sebanyak m rumah tangga dipilih dengan peluang yang sama
tanpa pengembalian pada tahap kedua, dari setiap desa terpilih, merupakan
penimbang sendiri. Tentukan penduga tidak bias dari ragam penduga penimbang
sendiri.
9.9 Sebuah populasi dibagi ke dalam k lapisan dengan Mi merupakan fsu pada lapisan ke-
i (i = 1, …, k). Setiap fsu memiliki sebanyak N ssu. Sebuah sample acak dari m fsu
dipilih sari setiap lapisan dan sebuah sample acak dari n ssu diambil untuk penelitian
pada setiap fsu terpilih. Bagaimana cara Anda untuk memperoleh sebuah perkiraan
yang tidak bias dari populasi total karakteristik sample? Tentukan sebuah rumusan
untuk menduga perbedaan antara ragam perkiraan total penarikan sample dengan
ragam penduga tidak bias linear dari populasi yang sama yang mugkin dapat
diperoleh dari sebuah sample acak yang tidak berlapis dari fsu sebanyak km dengan
sebanyak n ssu diambil untuk penelitian pada masing-masing fsu.
9.10 Sebuah sample dengan fsu sebanyk n dipilih dengan penarikan sample acak sederhana
, tanpe pengembalian, dan dari setiap fsu terpilih diambil sebuah fraksi tetap ssu yaitu
f2. Jika ri dari mi ssu pada fsu ke-i menyatakan sebuah sifat, tunjukkan bahwa penduga
rasio pada ukuran p( = ∑ r i ∑ m) i
menduga proporsi populasi sifat tsb dan
perkiraan ragamnya adalah

(1− f ) ( pi − p) + f (1 − f )
2

∑ M −m1 p (1 − p )
n n
v( p ) = ∑M
1 2 1 2 i i

nM
2
i
i
n −1 n mM
2
m
i i
i i

Dimana p=r i

m i
i

(Cochran, 1977)

9.11 Pada penarikan contoh dua tahap, sebanyak n fsu dipilih dengan metode peluang
mengacu pada ukuran(pps), dengan pengembalian, dan dari fsu terpilih ke-i dengan
Mi unit, sebanyak mi ssu dipilih dengan penarikan sample acak sederhana, dengan
pengembalian. Untuk memperkirakan populasi total Y, urutan sub-penarikan sample
mi ditetapkan sebagai (i) nilai harapan dari mi, ditentukan pada m, atau (ii) jumlah
sample ssu ditentukan sebagai m0. Tentukan nilai optimum mi pada kedua kasus tsb
sehingga ragam penduganya minimum. Serta bandingkan ragam minimum keduanya.

(Rangarajan, 1957)

9.12 Pada penarikan sample dua tahap, sebanyak n fsu dipilih dengan metode pps, dengan
pengembalian. Jika fsu ke-i muncul sebanyak ri kali dalam sample, salah satu
prosedur berikut dapat digunakan untuk penarikan sample tahap kedua :
(i) ri mi ssu dipilih dengan penarikan sample acak sederhana, tanpa pengembalian;
(ii) diambil ri sample mi ssu saling bebas( diperoleh dengan penarikan sample
acak sederhana, tanpa pengembalian); dan
(iii) Sebanyak mi unit dipilih tanpa pengembalian dan observasi ditimbang oleh ri.
Tentukan penduga tidak bias dari populasi total Y dan ragam penarikan samplenya
untuk semua kasus tsb. Jika V1 ,V2 dan V3 adalah ragam penduga, tunjukkan bahwa,
untuk ukuran sample harapan yang sama,

V ≤V ≤V
1 2 3
(Rao, 1961)

9.13 Pada penarikan sample dua tahap, sebanyak n fsu ipilih dengan pps, tanpa
pengembalian. Dari setiap sample fsu, sebanyak m ssu dipilih dengan penarikan
sample acak sederhana, tanpa pengembalian. Perkirakan sebuah penduga tidak bias
N
untuk populasi total. Sebuah penduga untuk populasi total adalah Yˆ = ∑ β i Yˆ i
i

dimana
Yˆ i
merupakan penduga tidak bias dari fsu ke-i dan β i
merupakan
bilangan riil, telah ditentukan sebelumnya untuk setiap sample dengan batasan bahwa
β i
adalah 0 jika fsu ke-i tidak temasuk dalam sample. Tunjukkan bahwa
penduganya tidak bias. Tentukan penduga tidak bias bagi ragamnya.
(Des Raj, 1966)

9.14 Berikut ini diberikan skema penarikan sample untuk meperkirakan rata-rata populasi
sebuah karakteristik :
(i) Populasi dibagi menjadi N kluster masing-masing sebanyak M unit serta dengan
menerapkan penarikan sample dua tahap dipilih sebanyak n kluster dan m unit dari
setiap kluster terpilih dengan penarikan sample acak sederhana, dengan
pengembalian,
(ii) Populasi dibagi ke dalam kluster dengan masing-masing m unit dan sample dari
kluster dipilih dengan penarikan sample acak sederhana, dengan pengembalian.
Tunjukkan bahwa, pada kedua kasus tsb rata-rata sample merupakan penduga tidak
bias bagi rata-rata populasi dan tentukan ragam bagi kedua kasus tsb. Tunjukkan
bahwa efisiensi dari kedua skema ini akan sama saat nm=n’m’.

(Singh. D. ,1956)
9.15 Dalam sebuah survey sample untuk memperkirakan jumlah standar kertas dalam
sebuah tehsil dengan 72 desa, sample yang terdiri dari 12 desa dipilih dengan metode
penarikan sample acak sederhana, tanpa pengembalian, dan dari setiap desa terpilih
sebanyak 5 kluster yang masing-masing terdiri dari 20 lahan dipilih dengan metode
penaarikan sample acak sederhana, tanpa pengembalian. Berikut diberikan data
kluster pada desa sample dan data jumlah standar pada kluster sample:
Jumlah Standar pada kluster sample
Desa Sampel Jumlah Kluster
1 2 3 4 5
1 27 430 402 363 975 389
2 24 586 1234 100 368 344
3 14 1164 546 3060 1724 1274
4 116 693 218 836 1218 575
5 25 191 270 4502 4184 243
6 118 1036 1333 1179 728 1957
7 147 1555 254 950 382 355
8 36 910 452 129 122 243
9 91 340 0 92 28 340
10 171 57 59 0 0 21
11 86 159 45 242 1075 539
12 88 84 462 147 16 10

Tentukan penduga tidak bias bagi jumlah standar total pada tehsil dan tentukan
standar errornya.

9.16 Wol mentah terdiri dari berbagai jenis lemak, kotoran dan lainnya, kualitasnya diukur
dari persentase berat wol bersih, yaitu isi bersihnya. Untuk memperkirakan isi bersih,
digunakan sebuah mesin penarik inti elektris yang menarik inti sekitar 1/4pon per bal,
yang kemudian diberikan pada laboratoriu analisis. Dalam sebuah percobaan ,
sebanyak 6 bal diambil dari tumpukan besar dengan peluang yang sama dan dari
setiap bal diambil 4 core secara acak dan kemudian isi bersihnya ditentukan. Hasil
percobaan ini adalah sebagai beikut :
Core Sampel Bal
1 2 3 4 5 6
1 54.3 57.0 54.6 54.9 59.9 57.8
2 56.2 58.7 57.5 60.1 57.8 59.7
3 58.9 58.2 59.3 58.7 60.9 59.6
4 55.5 57.1 57.5 55.6 57.5 58.1
(i) Perkirakan rata-rata isi bersih wol dalam tumpukan tsb dan tentukan perkiraan
untuk standar errornya.
(ii) Tentukan efisiensi dari penarikan sample 12 bal dan 2 inti pada setiap bal serta
bandingkan dengan skema di atas.
9.17 Untuk memperkirakan total panen padi di suatu wilayah, digunakan penarikan sample
dua tahap berlapis dimana dari setiap lapisan dipilih 4 desa, dengan pps, dengan
pengembalian, dan area geografis sebagai ukurannya. Empat bidang lahan diambil
dari setiap desa sample dengan sirkuler, secara sistematik, untuk menyatakan panen
padi. Berikut diberikan data panen padi untuk bidang sample :

Invers Panen Padi (kg)


Lapisan Desa Sampel Jumlah Bidang
Peluang 1 2 3 4
10 18 14
1 1 440,21 28 87
4 2 8
10 13
2 660.43 84 64 156
8 2
10 11
3 31.50 240 50 172
0 5
34 35 15
4 113.38 76 119
6 0 7
12 11 13
2 1 21.00 256 216
4 1 5
12 17 10
2 16.80 288 138
3 7 6
26 14
3 24.76 222 78 55
4 4
30 11
4 49.09 69 68 111
0 4
11 28 12
3 1 67.68 189 114
0 1 0
11
2 339.14 42 80 61 124
8
12 21 17
3 100.0 134 106
1 2 4
24 11 31
4 68.07 161 129
3 6 4

Perkirakan total panen padi dan tentukan penduga standar errornya.

9.18 Sebuah survey panen potong di suatu wilayah menggunakan metode penarikan
sample acak multi tahap berlapis, pada jumlah panen rami, untuk memperkirakan
rata-rata berat rami hijau untuk wilayah tsb, dengan tiga sub-divisi administratif pada
setiap strata. Pada setiap sub-divisi administatif, sejumlah desa dipilih secara acak.
Tiga lahan rami dipilih secara acak dari total lahan rami di desa tsb. Pada setiap lahan,
dibuat bidang seluas 1/60 acre, baik rami yang telah dipanen maupun yang masih
hijau dicatat dalam kg. Berikut adalah datanya:

Total Area Rami dalam Panen Rami Hijau dalam kg per Bidang untuk
Sub-Divisi
acre desa dan Lahan Terpilih

1 5089 86, 85, 57, 81, 71, 92, 72, 37, 51, 81, 50, 43,
78, 71, 79
2 4133 86, 45, 81, 55, 56, 55, 91, 70, 64, 19, 62, 41
3 3007 81, 8, 43, 67, 48, 47, 35, 34, 37

Perkirakan rata-rata berat panen rami dalam kg per acre untuk wilayah tsb dan
hitunglah standar errornya.

DAFTAR PUSTAKA

Brewer, K.W.R. and M. Hanif, “Durbins’ new multi-stage variance estimator,” J.R. Statist.
Soc., 32B, 302-311, (1970)

Cochran, W.G., “The use of analysis of variance in enumeration by sampling,” J. Amer


Statist. Assoc., 34, 492-510, (1939)

---Sampling Techniques, Third Edition, Jhon Wiley and Sons, NewYork, (1977)

Des Raj, “Some remarks on a simple procedure of sampling without replacement,” J. Amer.
Statist. Assoc., 61, 391-397, (1966)
Durbin, J., “Some results in sampling theory when the units ares selected with unequal
probabilities,” J.R. Statist. Soc., 15B, 262-269, (1953)

---“Design of multi-stage surveys for the estimaton of sampling errors,” Applied Statistics,
16, 152-164, (1967)

Ganguli, M., “A note on nested sampling,” Sankhya, 5, 449-452, (1941)

Hansen, M.H. and W.N. Hurwitz, “On the theory of sampling from finite populations,” Ann.
Math. Statist., 14, 333-362, (1943)

---“On the determination of optimum probabilities in sampling, ” Ann. Math. Statist.,20, 426-
432, (1949)

---and W.G. Madow, Sample Survey Methods and Theory, Vol. I, Jhon Wiley and Sons, New
York, (1953)

Lahiri, D.N., ”Technical paper on some aspects of the development of the sample design,”
Sankhya, 14, 332-362, (1954)

Mahalanobis, P.C., Report on the Sample Census of Jute in Bengal, Ind. Central Jute
Committee, (1940)

Murthy, M.N. and V.K. Sethi, “Self-weighting design at tabulation stage,” National Sample
Survey Working Paper, No. 5 (1959); (also Sankhya, 27B, 201-210, (1959))

---“Randomized rounded off multipliers,” J. Amer. Statist. Assoc., 56, 328-334, (1961)

Rangarajan, R., “A note o two-stage sampling,” Sankhya, 17, 373-376, (1957)

Rao, J.N.K., “On sampling with varying probabilities in sub-sampling designs,” J. Ind. Soc.
Agr. Statis., 13, 211-217, (1961)

---“Alternative estimators in pps sampling for multiple characteristics,” Sankhya, 23A, 47-60,
(1966)

---“Unbiased variance estimation for multi-stage designs,” Sankhya, 32A, (1975)

Roy, J., “A note on estimation of variance components in multi-stage sampling with varying
probabilities,” Sankhya, 17, 367-372, (1957)

Singh, D., “The sampling with varying probabilities without replacement,” J. Ind. Soc. Agr.
Statist., 6, 48-57, (1954)

---“On efficiency of cluster sampling,” J. Ind. Soc. Agr. Statist., 8, 44-55, (1956)

---“Estimates of variance components in finite populatons,” J. Ind. Soc. Agr. Statist., 10, 1-
15, (1958)
Som, R.K., “Self-weignting sample design with an equal number of ultimate stage units in
each of the selected penultimate stage units,” Bull. Cal. Statist. Assoc., 8, 59-66, (1959)

Sukhatme, P.V., “Efficiency of sub-sampling designs in yield surveys,” J. Ind. Soc. Agr.
Statist., 2, 212-228, (1950)