Revista de Matemática: Teoría y Aplicaciones ISSN Impreso: 1409-2433 ISSN electrónico: 2215-3373

OAI: https://revistas.ucr.ac.cr/index.php/matematica/oai
Estimaciones de pobreza para áreas pequeñas en Costa Rica: una aplicación de los estimadores de contracción de James–Stein
PDF

Palabras clave

Estimation
shrinkage estimators
linear regression
poverty
Estimación
estimadores de contracción
regresión lineal
pobreza

Cómo citar

Barquero, J. A., & Bonilla, R. E. (2007). Estimaciones de pobreza para áreas pequeñas en Costa Rica: una aplicación de los estimadores de contracción de James–Stein. Revista De Matemática: Teoría Y Aplicaciones, 14(2), 183–192. https://doi.org/10.15517/rmta.v14i2.39321

Resumen

En este artículo se prueban dos posibles métodos para estimar la pobreza en áreas pequeñas, los cuales se utilizaron para corregir los estimadores directos de las encuestas periódicas, apoyándose en la estimación censal: el método de regresión del tipo 1 Pit = β0 + β1Pio, en donde Pit son los valores de la pobreza en las fuentes periódicas y Pi0 son los correspondientes valores censales; y el llamado método de contracción basado en la teoría de los estimadores de contracción de James–Stein:

Imagen_Barquero_1.JPG

con variancia Imagen_Barquero_2.JPG que consiste en “contraer” los estimadores de las fuentes periódicas ˜θit hacia los valores paramétricos θi, cuando la variancia del estimador en el área pequeña ψit es relativamente grande, o bien contraerlo a los estimadores de la fuente periódica θ ˜ it cuando la variancia de los parámetros ˆσ2 es relativamente grande. Los estimadores de contracción tienen un menor error cuadrático medio que los obtenidos por regresión, y produjeron intervalos de confianza más pequeños que los obtenidos por regresión y estimación directa

https://doi.org/10.15517/rmta.v14i2.39321
PDF

Citas

Instituto Nacional de Estadística y Censos (2005) Encuesta de Hogares de Propósitos Múltiples de Costa Rica, 2000–2004. San José, Costa Rica. Disponible también en URL: http://encuestas.ccp.ucr.ac.cr.

Farrell, P.J.; MacGibbon, B.; Tomberlin, T.J. (1997) “Empirical Bayes estimators of small area proportions in multistage designs”, Statist. Sinica 7: 1065–1083.

Feres, J.C.; Mancero, X. (2001a) “Enfoques para la medición de la pobreza. Breve revisión de la literatura”, Serie Estudios Estadísticos y Prospectivos 4, CEPAL, Santiago de Chile.

Feres, J. C.; Mancero, X. (2001b) “El método de las necesidades básicas insatisfechas (NBI) y sus aplicaciones en América Latina”, Serie Estudios Estadísticos y Prospectivos 7, CEPAL, Santiago de Chile.

Ghosh, M.; Rao, J.N.K. (1994) “Small area estimation: an appraisal”, Statist. Sci. 9: 55–93.

James, W.; Stein, C.M. (1961) “Estimation with quadratic Llss”, in Proc. 4th Berkeley Symp. Math. Statist. Prob., Vol. 1: 311–319.

Larsen, M.D. (2003) “Estimation of small-area proportions using covariates and survey data”, Journal of Statistical Planning and Inference 112: 89–98.

Malec, D.; Sedransk, J.; Moriarity, C.L.; Leclerc, F.B. (1997) “Small area inference for binary variables in the National Health Interview Survey”, J. Amer. Statist. Assoc. 92: 815–826.

Malec, D.; Davis, W.W.; Cao, X. (1999) “Model-based small area estimation of overweight prevalence using sample selection adjustment”, Statist. Med. 18: 3189–3200.

Manton, J.H.; Krishnamurthy, V.; Vincent Poor, H. (1998) “James-Stein state filtering algorithms”, IEEE Transactions on Signal Processing 46(9).

Programa Estado de la Nación (2005) Undécimo Informe del Estado de la Nación en Desarrollo Humano Sostenible. San José, Costa Rica.

Rao, J.N.K. (2003) Small Area Estimation. Wiley, New York.

Comentarios

Descargas

Los datos de descargas todavía no están disponibles.