1 基本概念
1.1 定义
分层统计是指根据研究对象的某种共同特征，将总体划分为若干相对同质的层，再分别对各层进行统计处理的方法。它强调先识别总体内部差异，再在层内开展抽样、估计或比较分析，从而减少混杂因素带来的干扰。
1.2 适用场景
分层统计适用于总体内部差异较明显、且这些差异会影响统计结果的情形。常见场景包括抽样调查、医学观察、社会学研究、产品质量检验以及分群建模等。凡是希望在保持总体结构的同时提升分析精度的任务，往往都可引入分层思路。
1.3 核心思想
其核心思想可以概括为“先分层，后统计”。即先依据某一标准将对象区分为不同层次，再在各层内部进行独立处理，最后将层内结果按权重综合，形成对总体的整体判断。这样既能保留总体的结构信息，也能增强统计结果的可解释性。
1.4 与总体统计的关系
总体统计通常直接把全部研究对象作为一个整体进行分析，而分层统计则在总体之下进一步考虑内部差异。前者更强调总体平均特征，后者更重视结构分异和层次比较。两者并非对立关系，分层统计实际上是总体统计在复杂总体条件下的一种细化和增强。
2 分层的依据
2.1 按属性分层
按属性分层是最常见的方式，通常依据类别变量进行划分。此类变量往往具有明确边界，便于识别和归类，因此适合用于构建层次清晰的统计框架。
2.1.1 性别、年龄与职业
性别、年龄、职业等属性常用于社会调查和人口研究中的分层。它们与个体行为、资源分布和结果差异常有一定关联，因此能够帮助研究者识别不同人群之间的统计特征。
2.1.2 地区与城乡
地区、城乡类型也常作为分层依据。不同地理单元在经济水平、基础设施、生活方式等方面可能存在明显差别，分层后有助于避免样本过度集中于某一类区域，从而提高结论的覆盖性。
2.2 按数值区间分层
当研究变量为连续型或近似连续型时，常通过数值区间进行分层。这种方法便于将分散的数值转化为若干有序层次，利于后续统计比较。
2.2.1 连续变量分段
连续变量分段是指按照数值范围把对象切分为若干区间，例如按收入、身高、成绩或风险评分划分。此类划分方式有助于观察变量在不同区间中的分布差异。
2.2.2 等距分层与不等距分层
等距分层是将数值范围按相同间隔划分，结构直观，便于解释；不等距分层则根据数据分布或研究需求灵活设定区间，能够更好地适应偏态分布或重点区间分析。实际应用中，选择哪种方式通常取决于数据形态与研究目标。
2.3 按研究目的分层
除变量本身外，研究目标也会影响分层方式。某些分层并非单纯为了描述差异，而是为了服务于更具体的分析任务。
2.3.1 控制混杂因素
当某些因素可能同时影响研究变量时，可以通过分层将这些因素固定在各层内，从而减少其干扰。这样做有助于更清晰地观察主要因素与结果之间的关系。
2.3.2 提高估计精度
若总体内部差异较大，直接整体估计容易产生较大波动。通过按相关特征分层，使层内更为同质，往往能提升估计的稳定性和精度。
3 分层统计的方法
3.1 分层抽样
分层抽样是分层统计中最典型的应用方式。它先将总体划分为若干层，再在每层中分别抽取样本，以保证样本结构更接近总体结构。
3.1.1 简单分层抽样
简单分层抽样是在每一层内随机抽取一定数量的个体，不再细分抽样概率的差异。这种方法实现较为直接，适合层内规模不大或研究设计较基础的情况。
3.1.2 比例分层抽样
比例分层抽样按照各层在总体中的占比来分配样本量，即大层抽得多，小层抽得少。该方法能够较好保持总体结构，常用于希望样本分布与总体一致的场景。
3.1.3 最优分层抽样
最优分层抽样会综合考虑各层规模、层内方差和调查成本，尽量把样本分配到更能提高效率的层中。它的目标不是单纯复制总体比例，而是在有限资源下获得更优的估计效果。
3.2 分层估计
分层估计是在各层分别计算统计量后，再按一定权重合成为总体结果。这类方法常用于均值、比例和总量等指标的估算。
3.2.1 均值估计
均值估计通常先求出各层均值，再依据层权重计算总体均值。由于层内变异较小，估计结果通常比直接用整体样本均值更稳定。
3.2.2 比例估计
比例估计用于计算某一属性在总体中的占比，例如合格率、支持率或患病率。分层后分别统计各层比例，再进行加权汇总，可以减少样本结构失衡造成的偏差。
3.2.3 总量估计
总量估计关注总体某项指标的累积值，如总产量、总人数或总费用。通过各层样本推断层总量，再加总各层结果，可得到总体总量的估计值。
3.3 分层比较分析
分层比较分析强调不同层次之间的异同，既可以观察层内特征，也可以比较层间差异，常用于解释结构性差别。
3.3.1 层内比较
层内比较是在同一层中考察不同个体、不同时间点或不同子组之间的差异。这种比较能排除部分层外因素的影响，使分析更集中。
3.3.2 层间比较
层间比较则是将不同层的统计结果进行对照，以识别各层在均值、比例、波动程度等方面的差别。它常用于发现群体分化和结构性不均衡现象。
4 分层统计的流程
4.1 确定研究总体
首先需要明确研究对象的总体范围，包括时间、地域、对象类别和纳入标准。总体定义越清晰，后续分层和统计越容易保持一致。
4.2 选择分层变量
分层变量应当与研究目标相关，且能够反映总体内部的重要差异。若分层变量选取不当，分层后的优势可能难以体现，甚至会增加分析负担。
4.3 划分层次
在选定变量后，需要根据属性类别或数值区间将总体划分为若干层。划分时应兼顾层内同质性与层间差异性，以便获得较好的统计效果。
4.4 各层内统计分析
完成分层后，应分别对每一层进行描述、抽样或估计。此步骤的重点在于保持各层分析方法的一致性，并关注层内数据的完整性和可比性。
4.5 汇总与综合解释
最后将各层结果按权重或其他规则汇总，形成总体层面的结论。综合解释时不仅要给出总体指标，也应说明不同层之间的差异及其可能含义。
5 常用指标
5.1 层内均值
层内均值是某一层内所有观测值的平均水平，用于描述该层的中心趋势。它是分层估计中最基础的统计量之一。
5.2 层内方差
层内方差反映同一层内部数据的离散程度。方差较小通常意味着该层相对同质，有利于提升估计效率。
5.3 层权重
层权重表示某一层在总体中所占的重要程度，通常与层的规模或抽样设计有关。权重是将层内结果综合为总体结果时不可缺少的参数。
5.4 总体加权均值
总体加权均值是按各层权重对层内均值进行加权得到的整体平均数。它能够较好地反映总体结构，是分层统计中的核心结果之一。
5.5 抽样误差与方差
抽样误差与方差用于衡量估计结果的不确定性。分层设计合理时，通常可以降低误差波动，使推断更加稳健。
6 优点与局限
6.1 优点
6.1.1 提高代表性
通过让不同类型的对象都进入样本，分层统计能使样本结构更接近总体真实结构，从而提高代表性。
6.1.2 降低抽样误差
若层内相对同质、层间差异明显，分层抽样往往比简单随机抽样更有效，估计误差也更容易控制。
6.1.3 便于比较不同群体
分层后，各群体之间的差异会更清楚，研究者可直接观察不同层的特征，从而增强分析的解释力。
6.2 局限
6.2.1 分层标准依赖性强
分层效果在很大程度上取决于分层依据是否合理。若标准选择偏离研究目标，分层可能无法带来明显收益。
6.2.2 分层过细可能增加复杂度
层次过多会提高设计、采样、计算和解释的难度，还可能导致某些层样本过少，影响稳定性。
6.2.3 层内信息不足的问题
若某些层的数据量有限，层内估计会变得不稳定，甚至无法支持细致分析。因此，分层需要在细化程度和可操作性之间取得平衡。
7 应用领域
7.1 社会调查
社会调查中常利用分层统计保证样本覆盖不同社会群体。这样既能提高结果的全面性，也有助于发现群体差异。
7.1.1 人口普查与民意调查
在人口普查和民意调查中，分层可以按地区、年龄、性别等维度组织样本，以避免样本偏向某一类人群，并提升总体推断的可靠性。
7.2 医学与公共卫生
医学研究中，分层统计常用于比较不同患者群体或风险类别的差异。它有助于控制个体差异对结果的影响。
7.2.1 临床分组分析
临床分组分析可按病情轻重、治疗方案或年龄段进行分层，比较不同组的治疗反应与结局表现，从而支持更有针对性的判断。
7.2.2 疾病风险分层
疾病风险分层通常根据年龄、生活方式、既往状况等因素，将人群划分为不同风险层，以便进行差异化观察和预防分析。
7.3 工业与质量控制
工业领域常借助分层统计分析产品质量和生产波动。通过将数据按批次、工序或设备来源分层，可以更快定位问题环节。
7.3.1 产品批次分层
产品批次分层有助于比较不同批次之间的质量稳定性，识别某一批次是否存在异常波动。
7.3.2 缺陷率分析
缺陷率分析中，分层可以帮助区分不同车间、不同工艺或不同时间段的缺陷分布，从而为质量改进提供依据。
7.4 教育与心理研究
教育和心理研究经常面临群体差异明显的问题，分层统计可用于分析不同学段、能力层级或背景条件下的表现差别。
7.4.1 学段分层
学段分层可按小学、初中、高中或其他教育阶段划分对象，以比较不同阶段学生在学习、发展和适应方面的特征。
7.4.2 学生能力分层
学生能力分层通常依据测评成绩、学习表现或认知水平进行，用于观察不同能力层次的学习规律及其差异。
8 与相关概念的区别
8.1 分层统计与分组统计
分组统计一般是对数据进行分类汇总，强调描述性整理；分层统计则更强调按照总体结构进行设计和推断，通常与抽样、估计和加权综合联系更紧密。
8.2 分层统计与分层抽样
分层统计是更广义的分析框架，既包括分层抽样，也包括分层估计和分层比较；分层抽样只是其中一种具体抽样方法，主要解决样本获取问题。
8.3 分层统计与分层回归
分层回归是统计建模中的一种回归分析方式，通常指按变量进入模型的步骤或层次进行建模；分层统计则是对总体进行层次化处理，重点在数据组织和结果汇总，两者关注点不同。
8.4 分层统计与分位数划分
分位数划分是按照数据排序后的分布位置进行切分，如四分位、十分位等；分层统计不局限于这种方法，还可依据属性、区间或研究目的进行更灵活的层次设置。
9 发展与方法扩展
9.1 传统分层统计
传统分层统计以明确的分类变量和固定权重为基础，主要服务于调查设计和描述性分析。其特点是结构清楚、实现稳定，但对复杂数据结构的适应性相对有限。
9.2 基于模型的分层方法
随着统计建模的发展，分层逐渐与回归、贝叶斯估计和预测模型结合。此类方法不仅利用分层信息，还引入模型参数对层间关系进行刻画，使估计更具灵活性。
9.3 多层结构与嵌套分析
在一些研究中，数据具有明显的嵌套关系，例如学生嵌套于班级、班级嵌套于学校。此时需要多层结构分析来处理不同层级之间的依赖关系，避免把层级效应混为一谈。
9.4 与机器学习特征分层的结合
在数据分析和机器学习中，分层思想也可用于特征构造、样本划分和结果评估。例如按风险等级、行为类型或类别标签分层后再训练或验证模型，有助于提升模型对不同子群体的适配性。