BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Żądło Tomasz (University of Economics in Katowice, Poland)
Tytuł
On Pseudo-EBLUP Under Some Model for Longitudinal Data with Auxiliary Variables
O predyktorze pseudo-EBLUP pewnego modelu nadpopulacji ze zmiennymi dodatkowymi dla danych wielookresowych
Źródło
Acta Universitatis Lodziensis. Folia Oeconomica, 2012, t. 269, s. 153-164, tab., bibliogr. 14 poz.
Tytuł własny numeru
Multivariate Statistical Analysis : Methodological Aspects and Applications
Słowa kluczowe
Analiza statystyczna, Estymatory, Statystyka małych obszarów
Statistical analysis, Estimators, Small area estimates
Uwagi
summ., streszcz.
Abstrakt
Rozważany jest problem modelowania profili wielookresowych zakładając, że zarówno populacja jak i przynależność elementów populacji do podpopulacji może zmieniać się w czasie. Dla danych przekrojowo-czasowych zakładamy pewien model mieszany ze składnikami losowymi specyficznymi dla podpopulacji i elementów populacji (por. Verbeke, Molenberghs, 2000; Hedeker, Gibbons, 2006), który jest przypadkiem szczególnym ogólnego mieszanego modelu liniowego. Zostaną przedstawione pseudo-empiryczne najlepsze liniowe nieobciążone predyktory wynikające z podejścia mieszanego (wspomaganie modelami nadpopulacji), ich błędy średniokwadratowe i ich estymatory. W badaniu symulacyjnym ich dokładność zostanie porównana z pewnymi estymatorami kalibrowanymi również wynikającymi z podejścia mieszanego.(abstrakt oryginalny)

The problem of modeling longitudinal profiles is considered assuming that the population and elements affiliation to subpopulations may change in time. The considerations are based on a model with auxiliary variables for longitudinal data with element and subpopulation specific random components (compare Verbeke, Molenberghs, 2000; Hedeker, Gibbons, 2006) which is a special case of the General Linear Model (GLM) the General Linear Mixed Model (GLMM). In the paper the pseudo-empirical best linear unbiased predictor (Pseudo-EBLUP) based on model-assisted approach will be presented along with its mean squared error (MSE) and its estimators. In the simulation study its accuracy will be compared with some calibration estimators which are based on model-assisted approach too. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Batiese, G.E., Harter, R.M. and Fuller, W.A. (1988). An error-components model for prediction of county crop areas using survey and satellite data. Journal of the American Statistical Association, 83, 28-36.
  2. Bleuer S.R, Godbout S., Morin Y. (2007), Evaluation of small domain estimators for the survey of employment payroll and hours, SSC Annual Meeting, Proceedings of the Survey Methods Section
  3. Datta G. S. and Lahiri P. (2000). A unified measure of uncertainty of estimated best linear unbiased predictors in small area estimation problems. Statistica Sinica, 10, 613-627.
  4. Depmster A.P., Rubin D.B. and Tsutakawa R.K. (1981), Estimation in covariance components models, Journal of the American Statistical Association, Vol. 76, No. 374, pp. 341- 353
  5. Deville, J.C., Sarndal, C.E. (1992), Calibration estimators in survey sampling, Journal of the American Statistical Association, 87, 376-382.
  6. Hedeker, D., Gibbons, R.D. (2006), Longitudinal Data Analysis, John Wiley & Sons, New Jersey.
  7. Henderson C.R. (1950). Estimation of genetic parameters (Abstract). Annals of Mathematical Statistics, 21, 309-310.
  8. Moura, F.A.S. and Holt, D. (1999). Small area estimation using multilevel models. Survey Methodology, 25, 73-80.
  9. Prasad N.G.N and Rao J.N.K. (1990). The estimation of mean the mean squared error of small area estimators. Journal of the American Statistical Association, 85, 163-171.
  10. Prasad N.G.N and Rao J.N.K. (1999). On robust small area estimation using a simple random effects model, Survey Methodology, 25, 67-72
  11. R Development Core Team, 2010. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna.
  12. Rao, J.N.K. (2003), Small area estimation. John Wiley & Sons, New York.
  13. Verbeke G., Molenberghs G. (2000), Linear Mixed Models for Longitudinal Data, Springer-Verlag, New York.
  14. You Y., Rao J.N.K. (2002), A pseudo-empirical best linear unbiased prediction approach to small area estimation using survey weights, The Canadian Journal of Statistics, 30, 431-439
Cytowane przez
Pokaż
ISSN
0208-6018
Język
eng
URI / DOI
http://hdl.handle.net/11089/1892
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu