Data‐driven transformations in small area estimation
Data‐driven transformations in small area estimation
复制标题
小区域估计中的数据驱动转换
DOI：
--
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
N. Tzavidis
中科院分区：
文献类型：
--
作者：
Natalia Rojas;S. Pannier;T. Schmid;N. Tzavidis
小区域模型通常取决于模型假设的有效性。例如，经验最佳预测器的常用版本依赖于线性混合回归模型的误差项的高斯假设：在具有真实的数据的应用中很少观察到的特征。本文通过使用数据驱动的缩放转换而不是临时选择的转换来解决模型假设可能缺乏有效性的问题。探讨了不同类型的变换，详细研究了线性混合回归模型下变换参数的估计，并将变换用于线性和非线性参数的小区域预测。缩放转换的使用至关重要，因为它可以使用标准软件拟合线性混合回归模型，从而简化数据分析师的工作。通过使用参数和半参数（野生）自助法探索均方误差估计，该估计解释了由于估计变换参数而引起的不确定性。所提出的方法说明了使用真实的调查和人口普查数据估计的收入剥夺参数在墨西哥的格雷罗州的城市。模拟研究和应用结果表明，使用精心选择的数据驱动转换可以改善小面积估计。
Small area models typically depend on the validity of model assumptions. For example, a commonly used version of the empirical best predictor relies on the Gaussian assumptions of the error terms of the linear mixed regression model: a feature rarely observed in applications with real data. The paper tackles the potential lack of validity of the model assumptions by using data‐driven scaled transformations as opposed to ad hoc chosen transformations. Different types of transformations are explored, the estimation of the transformation parameters is studied in detail under the linear mixed regression model and transformations are used in small area prediction of linear and non‐linear parameters. The use of scaled transformations is crucial as it enables fitting the linear mixed regression model with standard software and hence it simplifies the work of the data analyst. Mean‐squared error estimation that accounts for the uncertainty due to the estimation of the transformation parameters is explored by using the parametric and semiparametric (wild) bootstrap. The methods proposed are illustrated by using real survey and census data for estimating income deprivation parameters for municipalities in the Mexican state of Guerrero. Simulation studies and the results from the application show that using carefully selected, data‐driven transformations can improve small area estimation.
用于估计和绘制区域分类指标的 R 包 emdi
影响因子：
5.8
作者：
Kreutzmann A
通讯作者：
Kreutzmann A
影响因子：
6.6
作者：
Nakagawa, Shinichi;Schielzeth, Holger
通讯作者：
Schielzeth, Holger