随着均衡排序集抽样方法的深入研究和广泛应用，人们发现对于某些统计问题，并不是所有次序统计量的信息都有用.这样，每小组随机样本经过主观排序后，我们只需测量那些含有有用信息的次序值，即非均衡排序集抽样.进入21世纪，针对不同的统计问题，许多不同的非均衡排序集抽样被提出，并得到了很好的理论结果和应用.
2000年，Ozturk＆Wolfe［91］推荐了比均衡排序集抽样更简便的中位数排序集抽样（Median Ranked Set Sampling，简称为MRSS）方法，即每小组样本无需测量经过主观排序后，只把每组中位数抽取出来进行测量.此文献证明了在进行总体中位数符号检验时中位数排序集抽样的效率比均衡排序集抽样高.随后，Muttlak（2003）［92］验证了当估计对称分布的总体均值时，中位数排序集样本均值是总体均值的无偏估计，并且其方差小于均衡排序集样本均值的方差.Ozdemir＆Gokpinar（2009）［93］具体给出了中位数排序集样本的概率密度函数的计算公式.
2001年，Ozturk＆Wolfe［94］又提出挑选排序集抽样（Selected Ranked Set Sampling，简称为SRSS）方法，此抽样方法包括排序集抽样和中位数排序集抽样.假设排序集小组数为m，经过挑选排序集抽样后能得到2m个不同的样本.文献［94］证明出对于中位数符号秩检验，中位数排序集抽样是挑选排序集抽样中效率最高的抽样方法.Zhang＆Dong（2010）［95］提出检验总体分位数的基于挑选排序集抽样的符号检验，分析了不同挑选抽样相对于均衡抽样的Pitman渐近效率.针对不同分位数，具体给出使符号统计量的效率达到最大的抽样设计，并且证明了最优抽样不依赖于总体分布.
2002年，Shaibu＆Muttlak［96］提出百分比排序集抽样（Percentile Ranked Set Sampling，简称为PRSS）方法，若排序集小组数为奇数，经过此抽样过程后得到的样本含有小组中位和两个对称次序统计量的信息；若小组数为偶数，抽样后得到两个对称次序统计量的信息.通过比较几种抽样方法下参数极大似然估计的相对功效，文献［96］得到结论：当估计正态均值，百分比排序集抽样效率高于均衡排序集抽样，但低于中位数排序集抽样；当估计正态方差时，百分比排序集抽样效率比均衡排序集抽样和中位数排序集抽样都高；但当估计指数分布和Gamma分布的刻度参数时，百分比排序集抽样效率低于中位数排序集抽样，与均衡排序集抽样不相上下.随后，Muttlak＆Abu-Dayyeh（2004）［97］在百分比排序集抽样基础上又提出一种改良抽样方法，在此抽样下可构造出总体均值的无偏估计.
2003年，Al-Saleh＆Al-Hadrami［98］提出极端排序集抽样（Extreme Ranked Set Sampling，简称为ERSS），若排序集小组数为奇数，经过此抽样过程后得到的样本含有小组中位和极端次序统计量的信息；若小组数为偶数，抽样后得到两个极端次序统计量的信息.并证明了对于指数分布的位置参数的极大似然估计，极端排序集抽样效率高于均衡排序集抽样.同年，Al-Saleh＆Al-Hadrami［99］又把极端排序集抽样方法应用到估计正态均值，并通过对针叶树的实例分析验证了极端排序集抽样的高效率.随后，Al-Saleh＆Al-Ananbeh（2007）［100］在极端排序集抽样下估计二元正态分布的均值，证明了极端排序集抽样效率比均衡排序集抽样高.
2004年，Chen提出了广义的非均衡排序集抽样（Unbalaned Ranked Set Sampling，简称为URSS）［73］方法，因为此抽样方法更具有一般性，它包含了上面提到的所有抽样方法，得到到国内外统计学家的认可，所以此抽样方法就被正式命名为非均衡排序集抽样.随后，Wang＆Zhu（2005）［101］讨论了基于非均衡排序集抽样的中位数符号检验，并证明出中位数排序集抽样是广义排序集抽样中效率最高的抽样方法.Chen等（2009）［102］研究了非均衡排序集抽样下总体比例的估计.Dong＆Cui（2010）［103］研究了非均衡排序集抽样下分位数的符号检验，根据相对于均衡排序集抽样符号检验的Pitman渐近效率，对于任一给定的分位数，具体给出广义排序集抽样中效率最高的最优抽样.Ozturk（2011）［104］研究了基于非均衡排序集抽样的位置和刻度参数的极大似然估计，并提供了一种计算估计量的EM算法.董晓芳等（2013）［105］研究了非均衡排序集抽样下总体分位数的估计.
2006年，Modarres［106］等提出重排序集抽样（Resampling Ranked Set Sampling，简称为RRSS），即把得到的排序集样本再进行一次排序集抽样，并研究基于重排序集抽样的对称分布参数的两类线性估计，通过对标准指数分布和标准对数正态分布的实际模拟比较，重排序集抽样估计量的精度高于排序集抽样.随后，Ghosh＆Tiwari（2008）［107］又进一步提出k重排序集抽样方法，证明了排序集抽样重排序的次数越多，估计对称分布函数的精度越高.
非均衡排序集抽样是近年来的热点问题之一，它比均衡抽样更符合实际情况.非均衡排序集抽样下的统计分析也是一个难点问题，如何从所有非均衡抽样方案中找到最优抽样方案一直都是国内外专家和学者研究的难点.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
