Evaluation of Statistical Matching and Selected SAE Methods: Using Micro Census and EU-SILC Data

ورنا پوچنر تطبیق آماری و روشهای SAE انتخاب شده را ارزیابی و مقایسه می کند. با توجه به این واقعیت که برآورد فقر در سطح منطقه ای بر اساس نمونه های EU-SILC از دقت کافی برخوردار نیست، کیفیت برآوردها باید با اضافه کردن داده های سرشماری خرد بهبود یابد. هدف یافتن بهترین روش برای تخمین فقر از نظر سوگیری کوچک و واریانس کوچک با کمک یک جمعیت مصنوعی شبیه سازی شده "نزدیک به واقعیت" است. متغیرهای مورد علاقه با کمک نمونه‌های EU-SILC از طریق مدل‌های رگرسیونی از جمله روش‌های انتخاب شده در سطح واحد سطح کوچک و روش‌های تطبیق آماری به مجموعه داده‌های سرشماری خرد وارد می‌شوند. سپس شاخص های فقر تخمین زده می شود. نویسنده سوگیری و واریانس را برای برآوردگر مستقیم و روش های مختلف ارزیابی و مقایسه می کند. واریانس مطلوب است که با حجم نمونه بزرگتر سرشماری خرد کاهش یابد.

Verena Puchner evaluates and compares statistical matching and selected SAE methods. Due to the fact that poverty estimation at regional level based on EU-SILC samples is not of adequate accuracy, the quality of the estimations should be improved by additionally incorporating micro census data. The aim is to find the best method for the estimation of poverty in terms of small bias and small variance with the aid of a simulated artificial "close-to-reality" population. Variables of interest are imputed into the micro census data sets with the help of the EU-SILC samples through regression models including selected unit-level small area methods and statistical matching methods. Poverty indicators are then estimated. The author evaluates and compares the bias and variance for the direct estimator and the various methods. The variance is desired to be reduced by the larger sample size of the micro census.