A resampling variance estimator for the k nearest neighbours technique

2010 ◽  
Vol 40 (4) ◽  
pp. 648-658 ◽  
Author(s):  
S. Magnussen ◽  
R. E. McRoberts ◽  
E. O. Tomppo
Keyword(s):  
Monte Carlo ◽  
Small Area ◽  
Small Area Estimation ◽  
Computing Time ◽  
Monte Carlo Sampling ◽  
Cluster Sampling ◽  
Area Estimation ◽  
Area Of Interest ◽  
Nearest Neighbours ◽  
Estimation Problems

Current estimators of variance for the k nearest neighbours (kNN) technique are designed for estimates of population totals. Their efficiency in small-area estimation problems can be poor. In this study, we propose a modified balanced repeated replication estimator of variance (BRR) of a kNN total that performs well in small-area estimation problems and under both simple random and cluster sampling. The BRR estimate of variance is the sum of variances and covariances of unit-level kNN estimates in the area of interest. In Monte Carlo simulations of simple random and cluster sampling from seven artificial populations with real and simulated forest inventory data, the agreement between averages of BRR estimates of variance and Monte Carlo sampling variances was good both for population and for small-area totals. The modified BRR estimator is currently limited to sample sizes no larger than 1984. An accurate approximation to the proposed BRR estimator allows significant savings in computing time.

scholarly journals PENDUGAAN ANGKA KEMISKINAN DI KABUPATEN PADANG PARIAMAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYESIAN (HB) LOGLOGISTIK

2019 ◽  
Vol 8 (2) ◽  
pp. 76
Author(s):  
Jusri Repi Basri Yuliani ◽  
Maiyastri Maiyastri ◽  
Rita Diana
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Standard Error ◽  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayesian ◽  
Area Estimation ◽  
Level Model

Penelitian ini mengkaji tentang pendekatan Hierarchical Bayesian (HB) Loglogistik yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi tingkat kemiskinan di Kabupaten Padang Pariaman. Metode pendugaan area kecil yang digunakan pada penelitian ini adalah model level area dasar (basic area level model ) dengan bantuan variabel penyerta yang tersedia pada level kecamatan. Variabel penyerta yang digunakan pada penelitian ini yaitu rasio SLTA/Sederajat (X1), persentase keluarga pertanian (X2), rasio industri mikro kecil (X3), persentase buruh tani dalam setiap anggota keluarga (X4), kepadatan penduduk (X5), dan persentase penduduk pelanggan listrik PLN (X6). Bentuk integrasi yang kompleks dari sebaran peluang bersyarat pada model diselesaikan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algortima Gibbs Sampling dan bantuan software WinBugs 1.4.3. Hasil estimasi menggunkan model HB yang diperoleh dibandingkan dengan hasil estimasi pendugaan langsung dengan memperhatikan nilai standard error sebagai tolok ukurnya. Hasil pendugaan tingkat kemiskinan untuk level kecamatan di Kabupaten Padang Pariaman dengan model HB menunjukkan nilai standard error yang kecil.Kata Kunci: Tingkat kemiskinan, Small Area Estimation, Hierarchical Bayesian

scholarly journals PENERAPAN MODEL SPATIAL LOGIT-NORMAL PADA SMALL AREA ESTIMATION DENGAN METODE HIERARCHICAL BAYES

2020 ◽  
Vol 2019 (1) ◽  
pp. 59-66
Author(s):  
Taly Purwa
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Small Area ◽  
Small Area Estimation ◽  
Random Effect ◽  
Deviance Information Criterion ◽  
Information Criterion ◽  
Hierarchical Bayes ◽  
Area Estimation ◽  
Spatial Random Effect

Penelitian ini menerapkan model Spatial Logit-normal pada Small Area Estimation (SAE) untuk estimasi proporsi penduduk dengan asupan kalori minimum di bawah 1.400 kkal/kapita/hari pada level kecamatan di Provinsi Bali Tahun 2014 yang merupakan indikator 2.1.2(A) pada tujuan ke-2 SDGs dalam rangka mengukur capaian dan mendukung tercapainya target SDGs pada level lebih tinggi. Terdapat tiga model SAE yang digunakan dengan spesifikasi random effect yang berbeda, yaitu model dengan random effect yang bersifat saling bebas (independen), spatial random effect (iCAR) serta model dengan kedua jenis random effect sekaligus (BYM). Penggunaan unsur spatial random effect diharapkan dapat meningkatkan efisiensi hasil estimasi. Metode estimasi menggunakan pendekatan Hierarchical Bayes (HB) dengan metode Markov Chain Monte Carlo (MCMC) algoritma Gibbs Sampling. Estimasi parameter pada ketiga model menunjukkan hasil yang relatif tidak berbeda dimana hanya ada satu variabel prediktor yang memiliki pengaruh signifikan, yaitu proporsi keluarga pertanian, pada model dengan random effect independen dan model BYM. Sedangkan pada model iCAR tidak ada satu pun variabel prediktor yang berpengaruh signifikan. Berdasarkan nilai Deviance Information Criterion (DIC), model terbaik adalah model BYM. Akan tetapi penambahan unsur spatial random effect bersamaan dengan random effect independen tidak secara signifikan dapat meningkatkan efisiensi hasil estimasi akibat dari minimnya nilai dependensi spasial Moran’s I. Secara visual, pemetaan hasil estimasi dengan model terbaik tidak menunjukkan adanya pola persebaran atau pengelompokan tertentu pada level kecamatan.

Sae: A Stata Package For Unit Level Small Area Estimation

2018 ◽  
Author(s):  
Minh Cong Nguyen ◽  
Paul Corral ◽  
Joao Pedro Azevedo ◽  
Qinghua Zhao
Keyword(s):  
Small Area ◽  
Small Area Estimation ◽  
Area Estimation ◽  
Unit Level
Sign in / Sign up

Export Citation Format

Share Document