1 抽样权重的定义与作用
1.1 概念界定：为什么需要权重
抽样权重是统计推断中对样本观测值施加的权数，用来补偿样本抽取机制与目标总体之间的偏差。直观而言，若某些个体或单位被抽中的概率更高，那么仅按“样本中出现的次数”来估计总体时就会把这些高概率单位“算得过多”；反之，低概率单位可能被“算得不足”。抽样权重通过对不同观测施加不同权重，来调整由样本产生的总体估计，从而提升估计对目标总体的贴近程度。
在调查抽样、监测研究与社会/市场研究中，权重常作为标准工具出现在数据处理流程里：它不是改变原始观测值的“真实性”，而是改变估计时的贡献比例。
1.2 与抽样概率的关系（非等概率抽样）
当抽样设计导致不同单位被选中的概率不相同，即非等概率抽样时，需要引入与抽样概率相关的权重形式。常见做法是对每个抽中单位赋予与其被抽中概率成反比的权重，使得估计量在总体层面更接近“把每个单位按其在抽样过程中的可见性进行校正”。
这种关系也可以理解为：权重让“看见一个单位”这件事更有可比性。即使某些单位本就更容易进入样本，也通过权数降低其对总体估计的权重；而不容易进入样本的单位会通过更大的权数提高其代表性。
1.3 与无偏估计/一致估计的直观联系
抽样权重的目标通常是让由样本得到的估计在某种意义上更接近真实总体。若研究采用的权重与抽样概率及相关调整在理论上相匹配，许多场景下可以获得无偏或近似无偏的性质；在更一般的条件下，也可望通过适当的权重构造获得一致性或渐近性质。
这种“直观联系”体现在：权重把样本从“按抽中次数计数”转为“按抽样机制校正后的代表性计数”，从而减少系统性偏离。需要强调的是：权重能否保证严格意义上的无偏/一致，取决于抽样设计是否已正确被纳入权重构造，以及非响应、删失、校准目标等环节是否满足相应假设或近似假设。
2 抽样权重的来源
2.1 设计权重（基于抽样设计）
设计权重主要来自抽样方案本身。其核心是：根据每个抽中单位在抽样流程中“到达样本的路径与概率”，反推出应赋予的权数。
2.1.1 单阶段抽样中的权重构造
在单阶段抽样中，每个总体单位的入样概率通常记为 \( \pi_i \)。若构造逆概率权重，则常见形式为 \[ w_i=\frac{1}{\pi_i}. \] 该权重表达了“概率越高、权重越低；概率越低、权重越高”的补偿逻辑。此类权重通常用于基础估计量的加权计算。
2.1.2 分层抽样与分层权重
分层抽样把总体划分为多个互斥层，在每层内采用相应的抽样策略。分层权重常体现两部分信息：一是单位在其所属层内的入样概率，二是层在总体中的相对规模与抽取方式。实践中可以将层内逆概率与层间调整合并，得到可用于整体估计的权重。
层权重的存在，使得同一总体单位在“被抽中的难易程度”与“其所在层的重要性”方面都得到反映。
2.1.3 整群/多阶段抽样中的权重累计
整群抽样与多阶段抽样中，样本单位是通过“先抽群、再抽群内单位”等步骤生成的。此时单位的总体入样概率往往由多个阶段的概率链条构成。设计权重通常通过对各阶段抽样概率进行累计/相乘关系推导，形成单位层面的最终权重。
因此，多阶段情形下权重更强调“抽样路径”的合成：单位的代表性不仅与它在最后一步被抽中的概率有关，也与其所在群在前几步的抽中机会有关。
2.2 非响应调整权重
非响应调整用于处理：样本中被抽中但未完成调查或未提供关键信息的情况。若非响应与目标变量或其预测因子相关，仅靠设计权重可能仍会产生偏差。非响应调整的基本思想是让“未响应者”的贡献在加权框架下被补偿。
2.2.1 基于倾向得分的重加权
倾向得分方法通常基于某些响应相关协变量，估计“响应概率”的模型。随后根据响应概率对权重进行再调整：响应概率越低的观测在校正后往往获得更大的权重，以抵消未响应带来的缺口。该方法强调可预测性，常与逻辑回归、机器学习分类器或加权分层策略结合使用。
2.2.2 基于分组（分层）响应率的调整
另一类常见做法是把样本按响应特征划分为若干组，在每组内计算响应率，并对组内响应观测进行加权补偿。分组响应率越低的组，其响应者权重通常需要上调。这种方法计算更直观、解释性强，但分组过细可能导致响应率估计不稳定。
2.3 校准与后验调整权重
校准与后验调整以“把估计对齐到已知信息”为目标。其典型情形是：存在外部来源（如人口统计或管理记录）给出的某些总体总量或边际分布。通过调整权重使得加权样本在这些维度上匹配外部已知量，同时尽量保持权重不要偏离过多。
2.3.1 校准到已知总量（校准总数）
若已知某些辅助变量的总体总量（或均值、边际分布），可以构造校准条件，使加权估计恰好等于这些已知值。常见结果是：权重从初始值出发，通过最小化某种距离或约束优化得到新的校准权重。
2.3.2 卡波修正（常见的形式化思路）
在校准框架中，常见的“卡波修正”类思想是：对权重的调整方式进行形式化约束，使其在满足校准条件的同时保持数值稳定，并控制权重的偏离程度。不同教材/软件对卡波修正的表达形式可能略有差异，但共同点通常是以“距离最小化”或“特定校准函数”来实现可控的权重更新。
2.3.3 与基准分布对齐的重加权
当已知总体的基准分布（例如某些分类的总体占比）时，可以通过重加权使样本的加权分布与之对齐。该类方法与校准思想相通，但侧重点更偏向分布对齐而非仅仅总量匹配。适用时需确保基准分布与研究目标之间存在合理的相关结构。
3 权重的数学表达与常见形式
3.1 基本形式：逆概率权重（IPW）
逆概率权重（IPW, inverse probability weighting）是最经典的形式之一。其核心结构是 \[ w_i \propto \frac{1}{\pi_i}, \] 其中 \(\pi_i\) 代表与抽样或可见性相关的概率。若还存在响应缺失，\(\pi_i\) 可被替换为“综合可见性概率”，例如抽中且响应的联合概率（或等价的分解形式）。
IPW的强项在于结构清晰：权重由概率机制导出，便于在理论上讨论估计性质。
3.2 归一化权重与“权重尺度”
实际应用中常会对权重进行归一化。例如把加权和设为样本量或某个固定总数。归一化有时用于数值稳定、便于解释“加权后的平均值”。然而归一化会改变权重的尺度，因此在涉及方差估计或估计量定义时需要保持一致。
在百科式理解中：归一化不会必然改变“相对贡献比例”，但是否影响最终推断取决于所使用估计量、方差公式以及实现方式。归一化常被视为“实现层面的便利工具”，而非总是严格等价的变换。
3.3 加权估计量：均值、总量与比例
3.3.1 加权均值的计算
设研究变量为 \(y_i\)。加权均值通常写为 \[ \hat{\mu}_w = \frac{\sum_{i\in s} w_i y_i}{\sum_{i\in s} w_i}, \] 其中 \(s\) 为样本集合。若权重经过校准或采用特定归一化方式，上式中的分母也可能在实现上调整，以确保与相应估计框架一致。
3.3.2 加权总量与比例估计
加权总量一般形式为 \[ \hat{T}_w = \sum_{i\in s} w_i y_i, \] 当 \(y_i\) 代表单位贡献且权重尺度对应总体规模时，该估计可用于总体总量的近似。
比例估计常用 \(y_i\) 的指示变量来实现：例如 \(y_i\) 为某特征的0/1指示，则加权均值就是该特征的加权比例。
3.4 加权回归与估计框架
3.4.1 加权最小二乘的直观连接
在回归建模中，权重可用于加权最小二乘（WLS）。其直观作用是：让回归中不同观测的残差贡献按权重进行加权，从而在抽样设计与非响应校正意义下，拟合更贴近目标总体结构。若权重与方差结构存在对应关系，也能提升估计效率。
3.4.2 伪似然/加权似然的常见用法
对于广义线性模型或其他概率模型，常见做法是采用“伪似然”（pseudo-likelihood）或加权似然框架：把每个样本的对数似然项按权重加权，再进行参数估计。该思路常用于把抽样权重与模型估计统一起来，同时在实践中形成可操作的估计流程。
4 方差估计与误差评估
4.1 权重对方差的影响
权重不仅影响点估计，也会改变估计量的不确定度。尤其在权重差异较大时，等价样本的信息量会下降，导致方差增大。这可以通过“权重分散程度”来理解：少数观测可能携带过高权重，从而使估计对这些观测更敏感。
因此，在报告结果时，通常需要使用与抽样设计和权重构造相匹配的方差估计方法，而不是仅使用简单的独立同分布假设下的误差公式。
4.2 设计效应（design effect）
设计效应用于衡量采用复杂抽样（分层、整群、非等概率等）相对简单随机抽样时，方差的放大程度。权重相关的校正往往与设计效应共同影响最终误差大小。一个常见结论是：越复杂的抽样结构与越不均衡的权重分布，设计效应往往越高。
4.3 估计方差的常见方法
4.3.1 解析近似与渐近方差
解析方法通常基于线性化（如泰勒展开）或渐近理论，推导方差估计公式。该方法优点是计算快、便于批量处理；缺点是对模型与近似条件较为依赖，需要良好校核。
4.3.2 重抽样方法（如Bootstrap类思路）
重抽样方法通过模拟“抽样机制带来的波动”来估计方差。对复杂抽样设计，重抽样往往需要嵌入与设计一致的分层、整群或权重生成过程，否则可能低估或偏移方差。由于实现更复杂，但在一些非线性估计或分布较复杂时具有优势。
4.3.3 复合抽样（分层/整群）下的方差估计要点
当抽样同时包含分层与整群，方差估计需要同时处理层间独立性与群内相关性等结构。常见要点包括：正确指定方差估计单元、使用与设计一致的协方差结构或复制方法，以及确保权重调整在方差计算中得到一致体现。
4.4 权重极端值与不稳定性
4.4.1 权重截尾/修剪（trimming）的动机
当权重存在极端大值时，估计可能对少数观测高度敏感，导致方差膨胀甚至数值不稳定。截尾/修剪（trimming）通过限制权重上界或采用平滑替代极端权值，来降低方差风险。代价是引入一定的偏差，因此需要在偏差-方差之间做平衡。
4.4.2 权重平滑的基本思路
平滑方法通过调整权重的分布形态，使其更均衡、更符合预期的代表性结构。例如在约束条件下重新分配或在保持校准条件的前提下降低权重波动。平滑通常与权重诊断流程配套使用，以避免过度调整。
5 实务流程与质量控制
5.1 权重计算的步骤化流程
常见流程可概括为：先根据抽样设计计算设计权重；再在出现非响应或关键变量缺失时进行响应调整；随后进行校准或后验对齐；最后在加权分析与方差估计时使用匹配的权重与设计信息。
实际中还需记录每一步权重的来源、公式、所用协变量、校准目标与参数设置，便于复现与审计。
5.2 权重分布诊断与可视化
5.2.1 有效样本量的概念
有效样本量可视为“权重不均衡导致的信息损失”的量化指标。一个直观含义是：当权重差异越大，真正用于估计的有效信息越少。它常用于比较不同权重方案或不同调整步骤的影响。
5.2.2 极端权重的识别指标
常见诊断包括：权重的分位数分布、最大/最小比值、与1的偏离程度、以及有效样本量下降幅度等。若极端权重集中在少数观测上，通常需要结合前述截尾或平滑策略，并回看非响应模型/校准设置是否合理。
5.3 权重与变量缺失/删失的处理
5.3.1 缺失机制与加权策略的基本对应
缺失或删失往往涉及不同机制，例如缺失与观测变量、与未观测变量之间的关系。加权策略需要与“缺失机制是否可由协变量解释”的近似假设相匹配。若缺失机制难以被建模，单纯依赖权重可能不足以消除偏差，往往还需要模型稳健性检验或替代策略。
5.3.2 完整案例与加权补充的差异
完整案例分析仅使用有完整信息的观测，通常会引入额外选择偏差；而加权补充试图把缺失者的影响通过权重补回。两者的差异可以用加权后关键估计量的变化幅度和不确定度来衡量，但前提仍是加权调整的假设与实现合理。
5.4 结果呈现规范
5.4.1 加权与未加权结果的对比呈现
在报告中，常见规范是同时给出加权与未加权的主要结果对比，并说明差异来源可能与抽样不均衡、非响应调整或校准有关。对比有助于读者理解权重的重要性与调整幅度。
5.4.2 说明抽样设计与权重来源
报告应尽量清楚写明：权重是设计权重、非响应调整权重还是校准权重；是否做了归一化、截尾或修剪；方差估计采用的具体方法与假设。这样可以降低复现成本，也提高解释透明度。
6 常见误区与调参建议（偏经验）
6.1 把权重当“神奇校正”的误解
权重并非万能。若非响应机制被严重误设，或校准目标与目标变量缺乏关联，权重可能在统计上“看起来更合理”，但实际仍可能产生系统偏差。因此权重需要和抽样设计、缺失/响应机制、辅助变量质量一起被验证。
6.2 归一化是否会影响推断：适用边界
归一化通常不会改变相对权重的排名，但在不同估计量定义与方差计算公式下，可能影响结果尺度。实践中应确保：点估计与方差估计使用的权重一致；若做了归一化或修剪，应在报告中注明。
6.3 过度调整与方差膨胀
当权重调整过度（例如非响应调整模型过拟合、校准约束过多或校准目标与数据冲突），可能导致权重分布变得更极端，从而方差膨胀。一个经验做法是：调整步骤要循序渐进，每次调整都做诊断，避免“一步到位造成失控”。
6.4 “权重越大越重要”的直觉陷阱
权重大并不总意味着该观测“更重要”，它更多反映该观测在抽样或响应机制下的可见性较低、需要被补偿。误把权重当成重要性排序可能会误导解释。更合理的解释是：权重代表估计贡献的校正系数。
6.5 一个轻松的梗：别让“权重君”统治你的估计（权重失控的警示）
当你发现某几个样本点权重特别夸张，仿佛“权重君”在数据里一骑绝尘，估计结果也跟着被它牵着走，就需要警惕权重失控。此时不妨回到数据与机制：是否有非响应模型失配？是否校准条件过强或分组过细？是否需要截尾或更稳健的调整策略。权重可以校正代表性，但不应替代对数据质量与假设的审视。
7 相关概念与对照
7.1 抽样设计（抽样方案）与权重的关系
抽样设计决定了哪些单位进入样本、以什么概率进入，因此也决定了设计权重的基础结构。权重相当于把“抽样方案带来的可见性差异”转化为可计算的校正系数。
7.2 校准（calibration）与重加权（reweighting）
校准是一类以已知边际信息为约束的权重调整；重加权是更一般的概念，泛指对权重进行重新分配或更新。两者在实践中经常相互对应：校准可以被看作一种受约束的重加权。
7.3 有效样本量（effective sample size）
有效样本量常被用来解释权重导致的信息损失与方差变化。它帮助比较不同权重方案在“可用信息量”层面的差异，为调整决策提供经验依据。
7.4 估计中的稳健性与敏感性分析
由于权重依赖于模型假设（尤其在非响应调整和校准相关步骤中），建议进行敏感性分析：例如更换非响应模型形式、改变分组粒度或校准变量集合，观察关键结论是否稳定。稳健性检验能降低“某套权重刚好拟合数据但结论脆弱”的风险。
7.5 与贝叶斯/后验校正的类比（概念层面）
从概念层面看，权重调整与贝叶斯后验校正之间有“分配概率质量”的相似感：两者都在利用额外信息或结构约束来修正原始估计。然而它们的数学形式与理论基础不同。类比可以用于理解思想，但在方法选择上仍应回到抽样推断的专门理论与实践验证。