Разнообразие подходов, обсуждаемых и предлагаемых в литературе по статистике обследований, как правило, можно сгруппировать в две основные категории:
- анализ на основе плана, где механизм рандомной выборки, лежащий в основе вероятностной выборки, определяет все последующие выводы;
- анализ на основе модели, где все выводы зависят от вероятностных моделей, предложенных аналитиком.
Недавно специалисты по статистике выступили за "гибридные" подходы, сочетающие в себе оптимальные свойства подходов, основанных на моделировании и проектировании. Поэтому статистик, ответственный за анализ данных обследования, должен выбрать один или несколько из этих подходов для использования в зависимости от целей исследования исследователя и параметров, представляющих научный интерес.
И после того, как выбран подход, статистик должен определить программное обеспечение, реализующее выбранный подход.
В настоящее время современное статистическое программное обеспечение доступно для реализации подходов к описательной оценке и выводам на основе проекта при анализе данных комплексных выборочных обследований. В частности, с учетом:
1) оценки процента,
2) вариантов оценки дисперсии
3) анализа субпопуляции.
Все процедуры позволяют провести взвешенную оценку различных описательных параметров.
Ключевым выводом является то, что взвешенная оценка процентов в сочетании с расчетной оценкой дисперсии для взвешенных оценок, основанных на вышеупомянутых подходах, пока еще не получила широкого применения в различных пакетах программного обеспечения. Кроме того, большинство программных пакетов предлагают схожие возможности для описательного анализа данных комплексных выборочных обследований на основе проектных решений.
Что касается имеющегося программного обеспечения для реализации этих основанных на моделях подходов к описательным выводам в обследованиях, то число "консервированных" программных процедур, реализующих эти подходы, не столько, сколько число "консервированных" программных процедур, применяемых для подходов, основанных на разработке, что статистики обычно должны составлять код для реализации этих подходов для нестатистических клиентов.
Например, Зангене и Литтл своих работах демонстрируют улучшения в оценках общей численности популяции при использовании штрафной сплайновой регрессионной модели по сравнению с подходом на основе модели Хорвица-Томпсона, когда размеры не включенных в выборку единиц известны или неизвестны, а отклонения в представляющей интерес модели могут быть неоднородны. Они разработали кодекс R, реализующий предложенный ими подход.
Программное обеспечение BUGS может использоваться для составления прогнозов для случаев, не охваченных выборкой, с использованием байесовского подхода, в которых также необходимо учитывать любые сложные параметры выборки в спецификации модели.
Совсем недавно популярной альтернативой для аналогичных байесовских подходов стало программное обеспечение Stan, которое может быть легко использовано в R и Stata (среди прочих платформ).
Валиант и соавторы предоставили обширную библиотеку S-plus кода для реализации различных подходов, основанных на моделях и поддерживаемых моделями, и эти функции можно легко адаптировать в программном обеспечении R.
В целом статистикам необхожимо сравнивать среднеквадратические ошибки для описательных оценок, рассчитанных на основе проектных и модельных подходов, и определять, возможно ли повышение эффективности при использовании подходов на основе моделей, рассмотренных в данном разделе.
Немного позже Си и соавторы представили основанную на модели байесовскую методологию для получения надежных конечных выводов о средствах или пропорциях, представляющих интерес, когда для респондентов обследования доступны только окончательные весовые коэффициенты обследования.
Этот основанный на модели подход одновременно прогнозирует распределение окончательных весовых коэффициентов обследования среди не включенных в выборку случаев по интересующей совокупности и значения переменной, представляющей интерес для этих случаев, что позволяет моделировать все средства или пропорции совокупности на основе заднего распределения для этих описательных параметров. Ученые продемонстрировали преимущества данного подхода для эффективности описательных конечных демографических оценок (как для полных, так и для подгрупп населения) и реализовали этот подход в программном обеспечении Stan.