年龄和性别数据的总体评价
可用数据：单次普查法
方法：评估方法
引言
“在理想世界里，数据永远是完整、准确、及时、有针对性和明确的。而在现实世界中，数据在以上几个方面通常有部分或全部的缺陷”(菲尼2003: 190) 。 对数据的评价和评估是鉴别这些缺陷的性质、方向、大小和可能影响的一个重要手段。数据处理结束后, 对数据的评价和评估就应该开始了，而且这些评估和评价应该是反复不间断的，即在分析的每一个阶段，人口数据的用户都应该用怀疑的眼光思考结果，警惕因数据不准确而导致结果产生误差或偏差的可能性。
在此，我们提出了在人口分析之前理应进行的一些必要调查程序。在过去的半个世纪中，人口评估和评价的基本方法几乎没有改变。因此，本节介绍的部分内容引自联合国《手册二：人口估计中基础数据的质量评价方法》(联合国人口司1955)，并在适当地方作出了更新和修订，本节的内容也部分地来自另一个更近期的评估普查数据的指南手册，即由美国人口普查局出版的《人口和住房普查的评估》(美国人口普查局1985)。后者对数据评估和评价提供了一个全面且有用的介绍; 我们特别向分析人员强烈推荐该手册中第四章和第五章有关人口数据评估和评价的详细阐述。
下面的小节将解释为什么要对人口数据进行评估，以及简要概述相关原则和方法。
人口数据评估的必要性
与其他所有人口数据一样，人口总量，无论是通过普查登记，生命统计，还是其他方式获得的，都会存在误差。这些误差可大可小，这取决于在数据搜集区域准确记录这些数据时所遇到的困难，搜集数据时所用的方法，以及所用方法的相对效率。在误差大小给定的情况下，误差的严重程度取决于该数据如何被应用。在有些情况下，即使数据存在一定的错误，结果仍然有效; 而在其它情况下，更准确的数据却必不可少。当处理具体问题时，必须要知道数据是否足够精确以提供可接受的准确结果。
对从人口普查或生命登记得到的人口估计数的评价是非常重要的。首先，在确定估计值的可靠性之前，必须对其背后的基本数据的准确性进行评价。基本数据的不准确性和推算估计值时的错误假定(例如，在最近的统计日期和该估计值所对应的日期之间人口变化的假定)都会造成估计值的误差。如果要对估计值进行区间估计，这两类误差都必须予以考虑。第二，当发现基本数据存在误差，且知道误差方向和大小时，我们可以明确地或隐含地对已经估计出的人口估计值进行补偿性调整。在很多情况下，即使基本数据在某些方面不可靠，仍可推导出比较可靠的人口指标估计值(比如生育率)。
普查数据常被用作当前人口估计和未来人口预测的基础，而本手册的目的就是介绍评价普查数据准确性的基本方法。这里我们有一些假定，即所分析的数据结果至少来自一次或一次以上的普查数据，而且分析者有确定人口普查数据和其他人口数据的准确性的需要，但却不能重新逐一登记整个人口或重复普查中的任何主要步骤。
在某一给定国家，可用于评估人口数据的信息是很多的，例如，调查数据就可以对评估普查数据质量提供有价值的人口参数。可是面面俱到地使用所有评估信息是不可能的，因此这里所展示的案例都是为了方法上的示例，而不应将其视为对相关数据质量的确定性评估。
本手册描述的检验结果是各种各样的。有些检验将只能揭示统计数据“可能比较准确”或“可疑”；如果数据“可疑”，则需在明确判断之前做进一步深入研究。而一些其他的检验将不仅能表明误差的存在，而且还估算出误差的方向和可能的程度。在后一种情况下，最好对错误的数据进行调整或纠正，并修正以此获得的估计值。对估计值的修正方法的描述超出了本手册的范围。
人口学教科书中经常描述的覆盖面误差(因不同区域、民族、年龄等方面的普查登记差异而导致全体数据失去代表性)与内容误差(由被访者或普查员出错或误报所导致)的区别在确定数据评估策略中并不特别有用。许多情况下，数据中的缺陷不能仅仅归因于这类或那类误差。然而，在解释和理解所确定的误差时，去思考普查哪个环节可能引入了误差则是非常有用的。这样做有助于确定在可能的情况下采用适当补救措施来修正数据。对这些补救方法的描述也超出了本手册的范围。
重要的背景文件
组织一次普查是艰巨而复杂的。例如，美国十年一次的人口普查被认为是联邦政府在和平时期最大也是最复杂的一项工作(国家研究委员会2004年)。对其他任何进行人口普查的国家而言可能同样如此。为了协助每个国家的普查，联合国统计司起草了推荐标准和程序，许多相关的手册都可以通过在线获得。其中两本人口学家最感兴趣的关于分析和评估普查数据质量的手册是《人口和住房普查的原则与建议，修订版2》(联合国统计司2008)和《人口和住房普查编辑手册，修订版1》(联合国统计司2010a)。前者是从普查规划一直到数据公布的整个流程的指南；后者是有关为数据公布作准备的后期数据处理。
各国现有人口数据的类别和质量良莠不齐。各国进行人口普查的频率和准确性千差万别，生命登记数据的内容也大相径庭，并且国家之间和国家内部的数据质量也存在巨大差异。对不同国家而言，国际迁移的重要程度也不同。所以在评价数据的准确性时，不同的情况应采用不同的方法，而本手册却不可能穷举所有应对各种可能数据情况的详细检验方法。因此，本手册介绍的方法并不总能直接地应用于某一特定的问题，而必须要因地制宜地在实践中加以调整。
如果可能的话，分析者应设法从负责组织普查或调查的机构那里获取尽可能多的有关操作程序和所遇到困难的相关信息，以及有关数据发布前所采用的清理和编辑数据的原则和实际做法。凡组织过事后抽样调查的，其相关信息也应被搜集。
除了那些无法公开获取的数据来源，对数据质量的理解还取决于分析者从数据中发掘更多潜在的不仅与人口相关，还可能与社会、经济、历史和政治有关的有用信息的能力。举一个简单的例子(下文有更多类似的例子)，津巴布韦1992年和2002年人口普查数据揭示的20世纪90年代后期急剧下降的成年人存活概率，在很大程度上可解释为该时期成年人死亡率受艾滋病的影响所致。
检验的类型
在处理人口普查数据、生命登记数据或迁移记录时，基本的检验方法是通用的。这种通用性源于一个事实，即人口现象之间是相互关联的，以及人口现象与其他社会和经济现象也是相互关联的。这些关系中，一些是直接的和必然的。例如，某一给定时间间隔内的人口增加数可以由该间隔内的出生数、死亡数和净迁移数来精确地加以确定。而其他一些关系则不太精确，也不明确。例如，在一些国家，经济萧条可能导致出生率的下降，而经济繁荣则可能导致出生率的上升，但出生率变化的确切数值却不能从经济形势中推断出来。
检验的基本类型可以概括如下：
a) 基于一个或多个普查的一致性检验；
b) 将观测数据与理论预期数据(例如使用平衡方程和人口预测模型所得出的数据)相比较；
c) 将一个国家观测到的数据与他国进行比较；
d) 与通过非人口研究目的获取的类似数据进行比较；
e) 直接验证(对人口中的某些样本进行重新登记等等)。
第一种检验类型是检验数据的一致性。它既可以检查数据的内部一致性(例如人口的年龄和/或性别分布是否符合预期)，也可以通过比较同一国家较早期的数据来检验外部一致性。人口转变理论揭示，一般而言，人口的出生率和死亡率(以及人口增长率)将呈一个连贯的、有序的且没有出现重大中断的下降过程(一个特例是出生率在人口转变开始阶段有可能出现上升)。因此，当没有很明显的外在因素(如战争、饥荒或流行病)干扰时，不符合这个人口转变模式的数据就可能存在问题。
多年来，第二类检验方法已发生显著变化。历史上，这类检验最流行做法是将数据与某一准稳定人口国家的数据相比。随着生育率在世界上几乎每一个国家的下降，这类比较产生有意义结果的必要假定已经日趋无效了。这种类型的比较目前更多地是通过将研究数据与其背景相似条件下的预期的年龄别性别比和男女年龄别死亡率相比较。另外，也可与被业界广泛认同的预期值进行比较(例如联合国的世界人口展望或美国人口普查局的预测), 来揭示数据中可能的问题。
这里也可以根据两次不同时间普查之间的各种要素(出生数、死亡数和迁移数)的变化，使用“平衡方程”来检验两次不同时间普查之间人口数量变化的一致性。如果所有数据都准确，两个时点之间增加(或减少)的人数应该是平衡的。除了对人口总量进行检验外，还可以对分性别和年龄组的数据以及对其他可分组的数据进行检验。此外，通过重新排列和重新定义这个方程式的组成部分，可以对出生、死亡和迁移数字的准确性进行单独评估。
第三类检验是基于现有知识选定一个在人口方面与被研究国家类似的国家，比如一个邻国。然而，采用这种方法务必要谨慎以确保两国之间具有足够的相似性(不仅是人口方面，而且在社会、经济、文化等方面)，从而允许一国人口的情况可以被外推到另一国人口中去。
第二类和第三类检验是类似的。在条件类似的另一个国家观察到的人口变化有时可以代替理论上的预期值。这两种检验中，预期值与观察值比较的结果总会或多或少有所不同。而检验的关键在于观察值和预期值之间的差别可否由被检验国的历史事件或当前条件加以解释。如果不能，那么就要得出观察数据是“可疑的”结论。进一步的调查可能会对这个差别有一个解释，或者进一步确认这些“可疑”的数据是错误的。这种方法通常被用作初步检验，用来提示进一步检验的方向。
第四种检验依赖于反映所研究国家人口特征的公共管理数据或其他社会统计数据。对全国人口的不同群体数量的估计值可以从选民登记，入学率统计，人口监测站点的监测人群(DSSs)数据等途径获取。如果这些估计值与人口普查数据有差异，那么问题就在于是否能对这种差异给出一个满意的解释。鉴于这类检验依赖于某些特定的局部数据的可用性以及对比中可能揭示的特点，这类检验在此不作进一步讨论。但是，必须注意的是，不能假定这些非普查数据一定比所要检验的普查数据好。
最后，直接验证的检验方法包含诸如事后抽样调查的实地考察。直接验证的优点在于可以识别每一个登记的个人或单个事件，因此，不仅是总人口一致性的问题，而且那些遗漏或重复登记的特定差错，都可以被发现。直接验证中的事后抽样调查还可以对登记人口中存在的漏报进行更正。
因为观察数据和用来比较的参照数据都可能存在误差，因此前四种类型的检验方法只能揭示相对的准确程度。如果同时应用多个检验，或者有较大把握断定用来比较的某一组数据的准确性很高，那么就有更充分证据说明被检验的数据是不准确的。然而，在许多其它情况下，这些比较只能揭示在两组数据中至少有一组是有问题的，如果不是两组都有问题的话。
下面主要着重于对第一和第二种检验进行阐述。(直接检查在《事后估计的一致性检验》一节中有简要介绍)。只要有可能，我们都会列举这些检验方法的具体示例。这些例子中的数据都来自国际微观样本系列整合共享数据数据库中的人口普查数据(明尼苏达人口中心 2010)。但这些示例只用到了这些国家的一小部分可用数据和相关信息。在这些国家里，仍有更多的相关数据，其中一些尚未公布。
在对各种检验方法进行介绍之前，有一点需说明。大多数(虽然不是全部)检验方法可用于较小一级的地理区划，但需注意的是，在较小地理区划中，人口迁移对这人口数量和结构起着越来越显著的作用。在这些地理区划中，我们也希望在人口变化找到“有序”的模式，不论是同一个地区人口在相邻的普查之间，还是相同时期不同的地区之间。任何不同之处都应该可以用已知信息解释。实际上，众所周知，任何一个国家不同地区之间的人口变化率可能有相当大的差异。因此，问题就变成了如何区分那些可以解释的非统计误差的变化与那些无法解释的变化。这里必须注意，尽管各种检验方法可能揭示误差的存在，且在某些情况下揭示这些误差的大小次序，然而这些方法并不能精确地估计这些误差的大小。
初步检查
在评估数据质量之前，分析者应该：
•审查普查登记的过程和相关的普查质量信息，包括确定事后抽样调查是否已完成，数据是否应进行加权。如果需加权，应如何加权。如果可能的话，应获取原始未经编辑或只经过略加编辑的数据，以及用来编辑数据的手册和方法。
•确定数据如何被整理成机器可读模式的。手动输入较慢；光学扫描是2000年及以后许多人口普查所采用的技术。它提供了比人工输入更快的处理方法，但会产生一些差错(例如，在许多脚本中很难区分1s和7s)，以及可能因普查表最后几页有污损而无法扫描。
•将普查数据与其他非人口调查中的有关人口或者有关部分人口的数据进行比较。
•将普查所揭示的人口分布与已知的分类别分布进行比较。比如，农村地区的人口密度应小于城市地区。
•将人口数和家庭户数(以及每户的平均人数和单人户家庭数)在国家和地区层面以及在城市和农村层面进行比较，来考察这些数据是否有问题。
一个国家人口总数估计的准确程度与整个普查操作的准确程度直接相关。人口总数的准确度可能比普查中对不同类别人口(比如不同年龄组和不同婚姻状态等人口)的登记准确度高，也或者低，但是如果所有的普查程序质量都较差，人口特征也不准确，那么人口总数将不太可能准确。事实上，评价人口总数质量的方法之一就是分析各种人口特征的数据准确性。该分析不仅可揭示普查登记中每一个个体的不准确分类，而且也可揭示人口中具有某一特定类别的人口被漏登的倾向。我们应特别地对那些不利于普查实施的地区或人群中的普查登记的完整性进行评估。例如，在撒哈拉以南非洲国家的人口普查中，一直有漏报非常年幼的儿童的习惯。
对那些影响普查登记完整性因素的阐述超出了本手册的范围。许多标准的人口教科书对这些因素都有全面的讨论(例如，施瑞奥克 和 西格尔 1976; 联合国人口司 1955)。
缺失数据和编辑数据
每一个受访者都回答了年龄和性别两个问项的情况是不太可能的。如果在这些变量上没有缺失值，那么几乎可以肯定数据是被编辑过的。不是所有的数据编辑都是不好的。然而，由于确定一个人口数据的总体可靠性的一个重要方面取决于该人口的年龄性别结构的内部一致性，因此最好是能够确定哪些数据变量已被清理或编辑过了，以及最好能够对用于清理和编辑的规则进行评估。这种编辑有时是通过在原数据中添加标记变量来显示的，而这些标记变量可能标明了对该特定变量使用过的编辑和插补的类型。如果是这种情况，那么根据这些编辑和插补得到的修正数据的分布就可能体现了编辑规则的缺陷或异常。因此，如果可能的话，最好查看原始未经编辑和清理(或只经过轻微编辑和清理)的数据。遗憾的是，只有少数几个国家公布包含标记变量的数据，更不用说提供没有编辑过的原始数据了。
数据中任何变量被编辑或插补的比例也是重要的。如果数据中有太高的编辑或插补比例，那么所得到的人口分布将反映这些编辑和插补规则的基本假定，而不一定是实际的分布情况。
当人口中某些人的年龄信息缺失时，需做出如何处理这些缺失记录的决定。简单地将它们从分析中剔除是不可取的：这样做降低了人口的绝对规模，并且还要假定这些年龄缺失者的年龄分布与那些年龄未缺失者的年龄分布相同。如果要这样假定的话，那么表中年龄缺失的人口应根据年龄已知的人口的年龄分布进行分配。因此，如果我们定义 \( Nx \) 为年龄 \(x \) 岁的普查人口数，\(Nm \) 为普查中年龄缺失的人口，我们就可以将这些年龄缺失的人口按比例分配到每一个年龄上(如果需要的话，将男女分开分析)：
但是，如果有充分理由相信年龄缺失都集中在人口的某一个部分中，那么应该对分配比例进行相应调整。例如，假定受访者都知道某个特定年龄以下(比如20岁以下)儿童的年龄通常是合理的。
当需要对数据在两个维度上(如年龄和地区)进行等比例分配时，应该遵循由美国人口普查局艾瑞尔加(1997年)创立的方法。该方法需要先对列数据然后对行数据进行反复迭代，然后再加总得到边际总人口。几次迭代后，数据就会收敛。附带的电子工作表可以应用这种方法，能够处理高达20行和30列的表格数据。
基于单次普查数据的检验
不管早期普查或调查的数据是否可用，基于单次普查数据的检验应该应用到对所有普查的检验中。这些检验在很大程度上是通过对分年龄和性别数据进行的一致性和有序性评估来评价人口普查的数据质量。
年龄与性别分布
鉴于年龄和性别在决定人口变化三个要素中的核心地位，对人口的年龄和性别分布的检验是任何数据评估和评价的基础。这种检验可以提供以下的关键信息：
•人口的年龄和性别结构；
•不同的覆盖面或漏报情况；
•年龄申报的准确性，以及年龄尾数的偏好情况；
•数据是否已被修正。
人口金字塔和其他图形评估
人口金字塔在许多领域中被应用，人口金字塔动画是一个用来展示人口如何随时间变化的有用的教学工具(参见加拿大或德国的例子)，可是我们仍不建议将人口金字塔的绘制作为评估人口数据质量的一个工具。从历史上看，人口金字塔通常被用来描述普查登记的人口结构的总体概貌。虽然在Excel中，人口金字塔的基本图形相对直观，但将它们正确制作出来是很费时的。更重要的是，当年龄和性别的数据以这种形式呈现时，用视觉效果来评估数据质量是困难的。相反，在同一坐标系里对登记人口的年龄和性别作图可更容易地反应出相同(或更多)内容的信息。在对数据进行初次评估时，应该先对单岁年龄的分布进行检验，之后再进一步对用五岁组年龄的分布来进行检验。
年龄堆积的鉴定
对人口分单岁年龄和性别来作图的好处之一是，一旦制图完成，年龄堆积的问题就可以显而易见。对年龄堆积的视觉评估可能与诸如迈耶斯混合指数(Myers’ Blended Index)、惠普尔指数(Whipple’s Index)或联合国年龄－性别准确性指数(the United Nations Age-Sex Accuracy Index)等结果一样好。这些指数可以用于比较，但这些指数的评价标准充其量是建设性的；对比一个简单的人口图像，它所包含的一些额外信息并不说明其更有价值。美国人口普查局的手册也得出类似的结论: “尽管这些检验方法作为综合性指标或用于比较是有价值的，但它们通常不能对那些无法通过图示法和比率分析法获得的数据误差模式提供任何有用的信息”(美国人口普查局1985：140)。
通常情况下(但并不总是)，年龄堆积主要表现为人口在年龄尾数0或5上出现的集中分布。根据在普查中年龄变量被搜集或被估算方法的不同，堆积也可能发生在其他年龄。例如，如果普查时的年龄从受访者申报的出生年月求得，那么可能会在申报的以0或5为结尾的出生年份(1920，1925，等等)上出现堆积；与周岁年龄相关的堆积则取决于普查日期。此外，一些其他形式的堆积未必显而易见。例如在某一时点或者某一重大历事件下发生的大规模登记会导致以0或5为尾数的年龄堆积在那一天。
考虑到在没有显著的外部事件下人口的变化一般来说是有序的，因此普查登记的每一年龄上的人口数变动应该是平滑的。在生育率仍较高的发展中国家，每一年龄上的人口数应该是逐岁单调下降的。如果出生的绝对数量近年来一直下降，那么在相对较低年龄上的孩子数要比稍大年龄上的孩子数少。
对人口分年龄和性别来作图的一个局限性是老年人口数据中的歪曲和错误将被人口规模更大的年轻人口所掩盖。比例或相对率可以用来探索老年人口数据中可能的歪曲和错误。如果没有参照数据可用，那么老年人口的年龄堆积问题应单独考虑。
年龄比
虽然某些特定年龄上的堆积用图示法比用指数计算法更容易鉴别，但计算年龄比可以为揭示年龄组之间可能的漏报或错报提供有用信息。某一年龄组的年龄比是该年龄组人口数的两倍与其相邻两个年龄组人口数总和的比值(译者注：这里的年龄比用的是三项移动平均。年龄比还可以用五项或七项等其他移动平均来界定)，其公式为，
假定人口在各年龄组之间的变动大致是线性的，那么年龄比应该相当接近于100。在没有外界因素干扰的情况下(比如，人口迁移以及针对某些特定年龄组的重大灾害)，偏离100说明数据中存在漏报或错报。
任何一个特定年龄组人口数的异常(无论是真实的还是由数据误差引起的)都可能引起该年龄组两侧的年龄比的波动。如果一个年龄组的人口数特别少，这将导致该年龄组的年龄比小于1，而其相邻年龄组的年龄比形成两个尖峰。
性别比
第二类检查是评价总人口的性别比和分年龄的性别比。总人口的性别比(SR)是在人口中每100名女性对应的男性数量。这个比值也可分年龄进行计算，公式如下：
这里\({}_n N_x^{m}\)代表\(x\)至\(x + n\)岁的登记人口中性别为\(i\) (\(i\) = 男性\(m\)或者女性\(f\))的人数。
由于在大多数的人口中女性死亡率都比男性低，性别比应该反映出这种死亡率差异。在发达国家，出生性别比(SRAB，即每100名出生的女性儿童对应的出生的男性儿童数量)通常约为105，而在撒哈拉以南非洲国家，这个数值似乎更接近100(加雷纳 2004)。如果在普查或生命登记中申报的最后一次生育的孩子性别数据所得到的出生性别比超出此范围，则表示存在性别选择性流产、溺婴、或误报等问题。
当没有较大规模的人口净迁移时，总人口的性别比反映了女性和男性的相对死亡率。假定不存在女性死亡率可能比男性高的特殊原因(诸如胎儿性别选择、溺婴、产妇死亡率很高、或如森(1992)所讨论的对女性的普遍忽视，等等)，总人口的性别比则应该略小于100。由于男性和女性，特别是在老年期，死亡率之间的差异，总人口性别比的高低在很大程度上受与人口年龄结构影响：在老年人口中性别比较低，而在年轻人口中性别比则较高。
除非有较大规模的人口净迁移，性别比从出生至中年后期(发展中国家约为45岁；发达国家为60岁或以上)应该缓慢地下降。此后，因男性死亡率开始大大超过女性死亡率，性别比开始快速下降。但那些青壮年人口中存在较高的性别选择性迁移的国家是例外。如果在普查登记时大批年轻男性都生活在国外的话，年轻人口中的性别比将急剧下降，但对于年长男性，因年长劳工移民回国性别比会逐渐回升。
结语
对普查和调查的数据质量的全面评估应该以尽可能少的假定去解释观察到的数据特征。就这一点来说，分析者必须对普查中年龄和性别数据中发现的常见问题引起注意，比如劳动年龄中的青年男性人口的漏报，以及在实行国家养老金等某种社会福利的国家中对年龄的高报。最后，如果存在较大规模的人口迁入，将本国出生的人口从整个人口中分离出来进行单独分析可能是有益的；除非有迁出人口主要目的地国分年龄、性别和出生国家等有关其迁入人口的信息，否则没有类似的方法可用于分析人口迁出的情况。
示例
附带的电子工作表格中的数据来自2001年尼泊尔人口普查中的11.35％的样本。该样本数据由国际微观样本系列整合共享数据库提供(明尼苏达人口中心 2010)。鉴于该数据中不存在年龄数据或性别数据的缺失，因此该数据可能已经被编辑或清理过了。分析者应设法去确定任何此类编辑和清理的性质和程度。
如上所述，我们首先绘制单岁组分性别的人口分布图(图1.1)。
目测左图即可直接看出这些年龄数据在尾数0和5上存在的明显数字偏好。30岁男性和女性的登记人口数是29岁或31岁的三倍多。尾数为2和8的年龄上也有明显的堆积。年龄小于30岁的人口中，对尾数0和5的数字偏好的程度要相对小些，虽然这部分地与该人群在其他年龄尾数上(8岁、12岁和18岁)的明显堆积有关。显然，该数据中的年龄申报质量不高。
此外，5岁以下的登记人口的大幅减少在这个数据中也很明显，1岁组的登记人口只有5岁组的登记人口的三分之二。在如此短的时间内生育率经历这样大幅的下降是不太可能的，因此初步的猜想是普查中低年龄的儿童被漏报了。儿童年龄的误报可能造成5-9岁儿童数的高估，也导致了年龄更低的儿童数的减少。
为了平滑数据，将单岁年龄分布按五岁组绘制(图1.1中的右图)，这提供了进一步的信息。同样，5岁以下人口的急剧减少也是显而易见的，但通过图示比较5-9岁组与10-14岁组的人口数，还表明5-9岁组儿童也可能存在一些漏报。这对0-4岁组中有较大数量的儿童被申报到了5-9岁组的说法提出了质疑。最后，按五岁组计算的年龄比示于图1.2中。
除了在最小的年龄组(显示0-4岁组存在某些漏报以及有更小的一部分人错报到5-9岁组)，无论男女，年龄比率大致上接近1。在年龄最大的几个组，由于死亡率的迅速增加，年龄比的下降是预料之中的。
若没有其他信息，年龄和性别分布无法做进一步分析，但分析者不妨将相关年龄的人口数据与含有儿童入学数的公共管理数据进行比较，或与人口普查5-9年前或10-14年前的公共管理报表中记录的出生数进行比较，也可与基于上世纪90年代中期的生育率和女性人口数所估算得到的5-9岁人口数进行比较。
第二个可能需要进一步检查的是，该数据中各年龄组的性别比。普查登记的总人口的性别比为每100名女性对应100.5名男性。20岁之前，普查登记中的男性人口明显多于女性人口。20岁和40之间，女性明显多于男性。这可能是(男性)劳动力向外迁移的结果，或年轻的成年男性比同龄女性有更多漏报。分析者应设法究其缘由。(男)劳动力的外迁可能是其中原因之一：40-60岁之间的男性登记人口多于女性人口，这一点与在这些年龄上男性劳动力最有可能从国外工作回来的现象相一致，虽然这不能完全解释性别比在40-60岁高于100。一种可能的解释是由森(1992年)描述的发生在印度的性别选择性流产和溺婴等现象在尼泊尔也同样存在。
图1.3揭示了单岁年龄上性别比的两个显著特征(左图)。第一，性别比很不稳定，60岁以后，在尾数0和5的年龄上的性别比下降很快。这表明，男性在这些年龄尾数上的堆积较小，而女性在这些年里尾数上更容易存在堆积。第二，除前面提及的20-40岁之间男性人口数量的不足外，从40岁直到最后几个年龄组的性别比仍高于(或非常接近)100的事实，似乎也说明普查中40岁以上女性人口数量也存在不足。同样地，应该对森的假说在尼泊尔的适用性进行考查。五岁年龄组的性别比相对平滑(图1.3的右图)，但仍然验证了上述分析。
为了分析2001年尼泊尔人口普查中分年龄和性别的数据的质量和性质，还可以将其与联合国人口司对尼泊尔2001年的年龄和性别的最新估计值比较(联合国人口司 2011)。这些估计值与普查结果形成了鲜明对照。最能有效展现两者差异的方式是将分年龄和性别的普查人口登记数与联合国人口司对2001年人口估计数之间的比率作图(图1.4)。
90岁以上的比率没有显示，这是因为这些值很极端(男性上升至9.7，女性至8.6)。若将它们在图中显示，就会掩盖更年轻年龄组上的差异。
虽然联合国估计值主要反映了在估算中的假定，但这两套估计值之间的巨大差异需要仔细研究。15岁之前，男性和女性的比率遵循几乎相同的趋势。但是，男性和女性0-4岁的普查登记人口比联合国的估计大约低30％，而10-14岁组的差异在2％或3％之内。在其后的年龄上，性别差别很明显：在15岁至55岁之间，这两套数据中女性人数的差异几乎恒定在5％左右。
相对于联合国的预测而言，普查数据老年人口中存在普遍的年龄夸大现象，其中男性尤为突出。
由2001年普查数据计算的分年龄性别比与由联合国人口司的估计值也显示了明显的差异(图1.5)。需要通过进一步的分析来研究导致这个国家人口结构估算产生巨大差异的原因。
基于多次普查数据的检验
除了上一节中描述的检验，也可以用以往普查(和生命登记系统)的数据来进行检验。
基于对单次普查人口年龄及性别结构的评估所揭示的不规则性，很难确定是因为该数据的误差还是因为反应了真实的人口结构。当有两个或更多连续的普查数据可用时，即使不使用比上述方法更高级的手段，也往往可以消除这些不确定性。例如，如果拥有2008年柬埔寨人口普查中的年龄别数据，那么可以在很大程度上澄清1998年普查数据中所出现的某些不规则统计是因出生减少造成的还是与20世纪70年代后期红色高棉统治时期的死亡增加有关。如果在2008年普查数据中，某年龄组出现了与1998年时年轻10岁的年龄组相同的不规则性，但在1998年普查中该年龄组却无此不规则性，那么就有很强的证据说明这一不规则性是真实的，而不是登记误差。还有，当间隔几年的两个或多个普查数据可用时，通过对特定队列数据使用平衡方程或类似方法(例如，前一次普查中申报10-14岁的人口数与十年后的普查中申报20-24岁的人口数相比较)，可以获得更多有关误差的确定性信息。当有三次及以上普查数据可用时，其结果则可能反映了整个普查序列的情况。但是，由于这里的目的仅是介绍方法，在示例中使用两次普查数据就足够了。
再者，对比连续两次或连续多次人口普查数据应遵循的指导原则是，人口的变化通常是有序的。如果没有观察到这样一个有序的结果，那么这样的偏差应该可以被已知事件所解释，诸如人口迁入的减少和饥荒的发生，等等。若偏差不能被解释，则提醒我们可能存在误差；如果其他检验方法也得出相同的结论，那么误差存在的可能性就大大加强了。在一些国家，如果数据允许，对性别年龄的数据可以分民族而单独检验，对迁入和迁出人口也可以分民族的单独检验(如果分民族的人口受国际迁移的影响不大)。
在大多数情况下，基于多个普查的数据质量检验方法是基于成年人死亡率的估算方法(在某些情况下，这些检验方法就是成年人死亡率的估算方法)。换句话说，数据之间的一致性评价是成年人死亡率估算方法的一种衍生品。本节拟介绍其中一些有可能获得数据在实际中能操作的方法。
估计普查间增长率
普查间增长率，r，的定义为
其中，\(N(t1)\)为时刻t1的总人口，\(N(t2)\) 为时刻t2的总人口。
如果一个国家的人口变动只来自自然增长，那么该国的人口年均增长率超过3.5％是非常不可能的。这样一个高水平的增长率需要有一个高出生率(比如45‰或更高)和非常低的死亡率(比如10‰或更低)来实现。而且，当没有大规模的人口迁出时，一个发展中国家的人口只有在特殊情况下才可能出现下降。事实上，在当代，几乎所有观察到的人口自然增长率总是在0到3.5％范围内。根据2010年《世界人口展望》，在一些发达国家，人口自然增长率为负数。在没有大规模的人口迁入或迁出情况下，如果任何一个国家的人口变化率接近或超过这个范围，我们就需要提出如下疑问，是否能够解释这样一个不寻常的增长率，还是说普查登记存在误差？
如果有关于这个国家死亡率和生育率水平的一些信息，不论其准确程度如何，那么增长率的可能范围可以被估计得更准确些。
如果有连续三次或更多次普查的人口数，那么通过比较相邻时期的增长率就可能更准确地评估增长率范围。同样地，必需遵循相同的原则，即除了在一些情况下某些因素能导致人口增长的不规则的变化外，人口增长总是有序的。
此外，若各次人口普查的漏报率相同，\(r\)的估计值仍是正确的。因此，比较r可显示两次普查中相对漏报的程度。
队列生存比率
任何特定的年龄组都可以被定义为一个队列。例如，在给定的普查日期，5岁以下的男孩、50-54岁的妇女、或10-19岁的所有人，等等。如果第二次人口普查发生在整整十年后，那么每个队列的幸存者将整整大十岁。他们的人数将因死亡而减少，也可能因人口迁入和迁出之间差异而增加或减少。通常情况下，死亡率是主要因素；如果人口净迁移微不足道，那么队列数量上的变化可用于计算存活率，这类似于生命表中的存活率。基于单一队列计算出的存活率通常对评估数据准确性的价值很小。然而，一个明显不可能的结果也将清楚地表明数据存在误差。例如，从一个普查到另一个普查，除非有大规模的人口迁入，某一队列的数量增加是不可能的。类似地，即使在非常高的死亡率下，从5岁至60岁之间任何年龄上的队列，其人数在十年之后减少二分之一也是不太可能的。
对不同年龄分性别的队列的存活率进行比较，可能会作出更准确的判断。存活率是年龄别死亡率的函数，并且和死亡率一样，不论高低都或多或少遵循相同的变化模式。存活率在儿童早期以后开始上升，并通常在10岁左右达到最大值；随后下降，起初下降非常缓慢，但达到老年期时下降会越来越快。此外，在大多数或所有年龄上，女性通常比同年龄男性的存活率高一些。如果对不同队列计算出的假想存活率与这种模式明显不符，并如果找不到原因(如迁移)，则必须要怀疑数据的准确性。
在什么条件下这种连续普查间的队列比较最有意义呢？一个条件是没有发生大规模人口净迁入或净迁出，或者移民年龄和性别构成的信息是完备的。第二个条件，类似于第一个条件，国界要恒定。如果该国的边界在两次人口普查之间发生了变化，从而使得相当数量的人被添加到了人口中或从人口中被分离出去了，那么就必须要知道这些人的年龄和性别构成，从而确保队列分析可以有效地检验数据的准确性。第三个条件是，两次普查的人口覆盖面必须相同。例如，如果全部男性人口在某次普查中进行了登记，但在第二个普查中军事人员被排除在登记之外，那么在作出适当的调整之前，包含军事人员的年龄队列就无法用来比较，除非军事人员的数量可以忽略不计。如果居住在国外的侨民包含在某次普查中，而在另一次普查中则被排除在外，而且如果所涉及的人口数量很大，特别是如果这些人都集中在某些特定的年龄或性别上，那么两次普查之间的队列比较是无效的。
在一个拥有大量迁入人口的国家，在某些特定情况下，即使缺乏人口迁移数据，某一队列也可以在两次人口普查间进行相比。如果已知本国出生的人口中没有庞大的迁出，那么就可以在两次普查中对这类人口进行比较。
假如有两次普查中至少一次普查的单岁人口数据，那么就可以对任何年龄段和任何时间间隔计算存活率。鉴于联合国所建议的人口普查的十年间隔，10年期存活率最为常见。
方法
队列存活率（CSR）是测量第一次普查时间 \(t\) 时被登记的 \(x\) 至 \(x+n\) 岁的人口数 \({}_{n}N_{x}(t)\) 中， 在 \(a\) 年后的第二次普查时间 \(t+a\) 时仍然活着且被登记的 \((x+a)\) 至 \((x+n+a)\) 岁的人口数 \(^{n}N_{x+a}(t+a)\) 占原登记人口的比例，即
在图示中，这些估计值可以被定位于两次普查时间的中点 （即在时间 \(t + \frac{a}{2}\)）， 以及该时间上的两个年龄的中点， \(x + \frac{a+n}{2}\)。
最后，如果有一个适当的生命表， 那么可以将队列存活率除以生命表中对应的存活率， 得到每个年龄上的比率比
如果普查没有任何误差，登记人口的年龄结构与生命表完全相同，且死亡率也与生命表相同(所有这三个都是很强的假定)，那么该比率比的值将为1。而不等于1表明数据存在误差，或生命表的选择不当。此外，在这些假定条件下，且不存在人口迁移，比率比小于1将意味着相对于第一次普查而言第二次普查存在漏报。反之亦然。
示例
津巴布韦在1982年、1992年和2002年每隔10年进行了一次人口普查(官方人口普查日期是8月18日)。普查中的人口分年龄和性别的数据列表可以从联合国统计司网站上的《人口年鉴》获得(来自1997年的《历史补充人口年鉴》和2008年《人口年鉴》)。表1.1 列出了这些数据。该数据将0岁和1-4岁单独列出；鉴于生命最初几年死亡率的迅速变化，将这两个年龄组单独列出是为了更准确地理解人口的动态变化。
假如没有理由相信缺失的年龄没有不成比例地集中在某些特定年龄组，那么第一步是按0岁到75+岁每个年龄组人口规模等比例地将缺失年龄的人口数(比例上相对较少)分配到各年龄组中去。1982年的人口普查中，年龄不详的人口比例为0.19％；2002年普查时，这个数值翻了一番达到0.38％。所得的分布示于表1.2中。
与前文所述的原则一致，首先要考察人口基本的年龄和性别特征。由于缺乏单岁年龄数据，我们无法对这个方面的数据质量进行检验。津巴布韦三次人口普查中分年龄和性别的人口数分布示于图1.6中。
表1.1 津巴布韦1982年、1992年和2002年人口普查中的分性别和年龄的人口数
| 1982年 |
| 1992年 |
| 2002年 | |||
|---|---|---|---|---|---|---|---|---|
年龄 | 男性 | 女性 |
| 男性 | 女性 |
| 男性 | 女性 |
0 | 133,070 | 136,960 |
| 167,552 | 169,064 |
| 170,054 | 170,277 |
1-4 | 510,260 | 528,390 |
| 621,411 | 626,664 |
| 668,008 | 667,730 |
5-9 | 612,760 | 619,300 |
| 821,319 | 832,469 |
| 764,453 | 769,247 |
10-14 | 529,750 | 518,740 |
| 724,905 | 731,846 |
| 754,587 | 757,657 |
15-19 | 390,160 | 412,610 |
| 615,728 | 632,510 |
| 736,686 | 766,890 |
20-24 | 290,380 | 364,200 |
| 466,837 | 523,060 |
| 564,034 | 658,873 |
25-29 | 243,420 | 281,060 |
| 335,713 | 376,495 |
| 473,984 | 513,793 |
30-34 | 185,400 | 206,760 |
| 280,066 | 326,299 |
| 369,836 | 360,291 |
35-39 | 147,920 | 170,170 |
| 229,360 | 259,555 |
| 235,692 | 268,797 |
40-44 | 142,050 | 139,530 |
| 174,266 | 189,509 |
| 194,702 | 239,727 |
45-49 | 116,490 | 110,390 |
| 145,437 | 143,441 |
| 165,437 | 191,168 |
50-54 | 111,780 | 90,880 |
| 133,261 | 147,339 |
| 128,029 | 173,229 |
55-59 | 67,400 | 60,800 |
| 94,713 | 86,729 |
| 98,417 | 112,498 |
60-64 | 76,850 | 65,260 |
| 95,510 | 84,213 |
| 94,447 | 99,420 |
65-69 | 38,810 | 38,860 |
| 51,202 | 50,902 |
| 64,301 | 67,851 |
70-74 | 29,810 | 30,500 |
| 58,279 | 62,479 |
| 60,311 | 62,464 |
75+ | 39,410 | 46,760 |
| 52,026 | 68,403 |
| 71,950 | 92,311 |
年龄不详 | 7,900 | 6,680 |
| 15,952 | 18,034 |
| 19,252 | 25,254 |
总计 | 3,673,620 | 3,827,850 |
| 5,083,537 | 5,329,011 |
| 5,634,180 | 5,997,477 |
表1.2 津巴布韦1982年、1992年和2002年人口普查中的分性别和年龄的调整人口数
| 1982年 |
| 1992年 |
| 2002年 | |||
|---|---|---|---|---|---|---|---|---|
年龄 | 男性 | 女性 |
| 男性 | 女性 |
| 男性 | 女性 |
0 | 133,357 | 137,199 |
| 168,079 | 169,638 |
| 170,637 | 170,997 |
1-4 | 511,360 | 529,314 |
| 623,367 | 628,792 |
| 670,298 | 670,554 |
5-9 | 614,081 | 620,383 |
| 823,904 | 835,296 |
| 767,074 | 772,500 |
10-14 | 530,892 | 519,647 |
| 727,187 | 734,331 |
| 757,174 | 760,861 |
15-19 | 391,001 | 413,331 |
| 617,666 | 634,658 |
| 739,212 | 770,133 |
20-24 | 291,006 | 364,837 |
| 468,307 | 524,836 |
| 565,968 | 661,659 |
25-29 | 243,945 | 281,551 |
| 336,770 | 377,773 |
| 475,609 | 515,966 |
30-34 | 185,800 | 207,121 |
| 280,948 | 327,407 |
| 371,104 | 361,815 |
35-39 | 148,239 | 170,467 |
| 230,082 | 260,436 |
| 236,500 | 269,934 |
40-44 | 142,356 | 139,774 |
| 174,815 | 190,152 |
| 195,370 | 240,741 |
45-49 | 116,741 | 110,583 |
| 145,895 | 143,928 |
| 166,004 | 191,976 |
50-54 | 112,021 | 91,039 |
| 133,680 | 147,839 |
| 128,468 | 173,962 |
55-59 | 67,545 | 60,906 |
| 95,011 | 87,023 |
| 98,754 | 112,974 |
60-64 | 77,016 | 65,374 |
| 95,811 | 84,499 |
| 94,771 | 99,840 |
65-69 | 38,894 | 38,928 |
| 51,363 | 51,075 |
| 64,521 | 68,138 |
70-74 | 29,874 | 30,553 |
| 58,462 | 62,691 |
| 60,518 | 62,728 |
75+ | 39,495 | 46,842 |
| 52,190 | 68,635 |
| 72,197 | 92,701 |
年龄不详 |
|
|
|
|
|
|
|
|
总计 | 3,673,620 | 3,827,850 |
| 5,083,537 | 5,329,011 |
| 5,634,180 | 5,997,477 |
与前文所述的原则一致，首先要考察人口基本的年龄和性别特征。由于缺乏单岁年龄数据，我们无法对这个方面的数据质量进行检验。津巴布韦三次人口普查中分年龄和性别的人口数分布示于图1.6中。
在所有的三次普查中，15岁至(至少)35岁之间的女性人数明显过量。这几乎可以肯定是男性年轻劳动力流动到周边国家尤其是南非的结果。与其他两次相邻普查不同，1992年人口普查中5岁以下人口似乎存在一定的漏报，该年龄组的人口数少于5-9岁组的人口数。三个普查的年龄比和性别比示于图1.7。
在所有三次普查中，60-64岁的年龄比特别高，且因这个年龄组过多的人口还导致55-59岁和65-69岁的年龄比很低。在每个普查中，性别比在较低年龄组接近100，但从15岁以后迅速下降，这可能与年轻男性外迁有关。更令人关注的是，在1982年人口普查中，35岁至55岁之间的性别比上升至远远超过100的水平。这几乎可以肯定与女性的漏报有关。最后几个年龄组的性别比仍然很高，可能表明老年男性中存在年龄高报 。
这些极其不规则的年龄比和性别比让我们无法对数据质量抱有很强信心。
接下来，根据上面的公式，求得队列存活率。因男性和女性的死亡率模式和水平不同，队列存活率按男女性分别估算。例如，由于1992年0-4岁的人在2002年将为10-14岁，我们假定该队列的存活率(大约)指向在两次普查期间的中点即1997年8月时7.5岁的人群。对很低年龄组和最高年龄组，没有估算其队列存活率。结果见图1.8。
左上方的图显示的是1982年和1992年两次普查中的分性别的队列存活率；左下方的图显示的是1992年和2002年两次普查中的分性别的队列存活率。因有些年龄上队列存活率大于1，因此1982年普查中，男女儿童以及20岁之前的女性存在明显漏报(或者1982和1992年之间发生了较大规模的儿童外迁人口，不过这不太可能)。
尽管左侧的两张图均显示(整体上的)存活率随年龄递减(死亡率随年龄递增)的模式，但数据远远不相一致，无论分性别还是分年龄的结果都如此。例如，男性存活率不太可能高于那些同龄的女性。在两次普查间隔期内出现存活率的尖峰也非常奇怪：40-44岁女性的队列存活率在第一个普查间隔期出现一个尖峰，50-54年女性的队列存活率在第二个间隔期内出现一个尖峰。应对此作进一步考察。
右边的两个图分别描绘了男性和女性在不同普查间隔期的队列存活率。它们表明津巴布韦在两个十年期间的死亡率大幅增长。尽管存活率的波动表明数据的质量相对较差，但该死亡率的增长几乎可以肯定主要由于该国在第二个十年期间成年人的艾滋病流行以及因世纪之交该国迅速恶化的社会经济状况(这也一定导致了年轻人的大量外移)。两个右侧图中，儿童和年轻人的死亡率明显增加几乎可以肯定在很大程度上归因于1982年较差的人口普查登记质量。
普查事后抽样调查
普查事后抽样调查(PES)使用重复抽样技术的逻辑来估算人口普查时没有被登记人口的比例。事后抽样调查要返回到被抽中的原普查登记点再次对该登记点所有被登记过的家庭户进行第二次简短的调查，之后尽可能将事后抽样调查得到的家庭户和个人数据与原普查中的数据相匹配。这一方法能够估算出普查中的具体漏报的规模，这一估计结果还可以与其他漏报估计(诸如人口预测结果所推论出的漏报率)相对比和对照。最后，事后抽样的结果可用来调整(“加权”)普查数据从而弥补漏报损失。
因此，普查事后抽样调查是非常有用的。但是，重复抽样技术的应用有两个关键假定，即每一个人在普查和事后抽样调查中被抽中的概率是相互独立的，同一个人在两个不同数据中都能被明确地识别。第一个假定在人口中不太可能成立，某些在普查中被漏登的人群(例如，非法移民)，很可能在事后抽样调查中也被漏登。在这个意义上说，事后抽样调查只能给出那些被确认普查漏登的人的信息；它不能提供关于那些无法确认普查漏登的人的信息。第二个假定也不太可能成立，特别是在人口流动频繁的地区或者在普查和事后抽样调查间隔较长的情况下。
组织普查事后调查的有关原则和最佳实践都记录在了2010年的手册中(联合国统计司 2010b)。
凡进行普查事后抽样调查的，理想情况下，分析者将可以通过事后抽样调查报告来了解普查的不足。事后抽样调查评估普查数据质量的能力，直接与事后抽样调查的样本量以及普查与事后抽样调查的时间间隔有关。由于受时间和经费的限制，一个事后抽样调查的样本规模通常比一个完整的普查小得多。因此事后抽样调查对普查漏报的估算是相当粗糙的。例如，2001年南非的人口普查只对较宽泛的年龄组、性别、人群、省、普查登记区域的地理类别(城市、农村、官方、非官方的)的漏报进行了估算。这就意味着在上述五个特征所界定的各个分组中，每个组内的漏报情况都被假定是一样的。因此，相对来说，这些基于分组的漏报估计值可能不可靠。
调整的幅度和漏报的程度，可以通过对数据中提供的权重进行评估来获得。如果普查原始数据未经事后抽样调查调整，那么数据权重将反映抽样比：普查数据10％的随机样本中，每条记录就代表10个人，因此权重为10。凡进行了事后抽样调查的，高于抽样比的那部分权重表明了漏报程度。公式如下，
\[ \text{权重} = \frac{\text{抽样比}^{-1}}{1 - \text{漏报率}} \]
\[ \text{漏报率} = 1 - \frac{\text{抽样比}^{-1}}{\text{权重}} \]
因此，如果对于某一特定记录，在10％的普查样本中(即抽样比为 0.1)，其权数为11.8，这就意味着漏报有15.3％ (1 – (1/0.1)/11.8)。
若数据中没有提供漏报率，分析者可将最后一个公式套用于数据中提供的不同人群的权重，来反求出一个准确度较高的漏报率。
参考文献
Feeney G. 2003. "Data assessment," in Demeny, P and G McNicoll (eds). Encyclopaedia of Population. Vol. 1. New York: Macmillan Reference USA, pp. 190-193.
Garenne M. 2004. "Sex ratios at birth in populations of Eastern and Southern Africa", Southern African Journal of Demography 9(1):91-96. https://www.jstor.org/stable/20853265
Minnesota Population Center. 2015. Integrated Public Use Microdata Series, International. Version 6.4 [Machine-readable database]. Minneapolis, MN: University of Minnesota. https://doi.org/10.18128/D020.V6.4
National Research Council. 2004. The 2000 Census: Counting under Adversity. Panel to Review the 2000 Census. Citro, Constance F., Daniel L. Cork and Janet L. Norwood (eds), Committee on National Statistics, Division of Behavioural and Social Sciences and Education. Washington DC: National Academies Press.
Sen A. 1992. "Missing women", British Medical Journal 304(6827):587-588. doi: https://dx.doi.org/10.1136/bmj.304.6827.587
Shryock HS and JS Siegel. 1976. The Methods and Materials of Demography (Condensed Edition). San Diego: Academic Press.
UN Population Branch. 1955. Manual II: Methods of Appraisal of Quality of Basic Data for Population Estimates. New York: United Nations, Department of Economic and Social Affairs, ST/SOA/Series A/23. https://www.un.org/development/desa/pd/sites/www.un.org.development.desa.pd/files/files/documents/2020/Jan/un_1955_manual_ii_-_methods_of_appraisal_of_quality_of_basic_data_for_population_estimates_0.pdf
UN Statistics Divison. 2008. Principles and Recommendations for Population and Housing Censuses v.2. New York: Department of Economic and Social Affairs, ST/ESA/STAT/SER.M/67/Rev.2.
https://unstats.un.org/unsd//demographic/sources/census/docs/P&R_%20Rev2.pdf
United Nations. 2020. Handbook on Population and Housing Census Editing, Revision 2. New York: United Nations, Department of Economic and Social Affairs, ST/ESA/STAT/SER.F/82/Rev.1.
https://unstats.un.org/unsd/publication/SeriesF/seriesf_82rev2e.pdf
United Nations. 2010. Post-Enumeration Surveys: Operational Guidelines - Technical Report. New York: United Nations, Department of Economic and Social Affairs.
https://unstats.un.org/unsd/demographic/standmeth/handbooks/Manual_PESen.pdf
UN Population Division. 2011. World Population Prospects: The 2010 Revision, Volume I: Comprehensive Tables. New York: United Nations, Department of Economic and Social Affairs, ST/ESA/SER.A/313.
https://population.un.org/wpp/Publications/Files/WPP2012_Volume-I_Comprehensive-Tables.pdf
US Bureau of the Census. 1985. Evaluating Censuses of Population and Housing. Statistical Training Document ISP-TR-5. Washington, DC: US Bureau of the Census.
https://www.census.gov/library/working-papers/1985/adrm/rr85-24.html
US Census Bureau. 1997. Population Analysis Spreadsheets for Excel. Washington, DC: US Bureau of the Census. https://www.census.gov/data/software/pas.html
Suggested citation
Moultrie TA. 2012. General assessment of age and sex data. In Moultrie TA, Dorrington RE, Hill AG, Hill K, Timæus IM and Zaba B (eds). Tools for Demographic Estimation. Paris: International Union for the Scientific Study of Population. https://demographicestimation.iussp.org/content/general-assessment-age-and-sex-data.