Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables
ilustraciones, gráficas, tablas
- Autores:
-
Rodriguez Malpica, Eduard Fabian
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/85286
- Palabra clave:
- 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
Estimación en áreas pequeñas
Error de medición
SIMEX
Pobreza
Small area estimation
Measurement error
Poverty
Inferencia estadística
Distribución del ingreso
Statistical inference
Income distribution
- Rights
- openAccess
- License
- Atribución-CompartirIgual 4.0 Internacional
| id |
UNACIONAL2_3c19cd34ba1f73087f3d4e6400dbf398 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/85286 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| dc.title.translated.eng.fl_str_mv |
Estimating poverty indicators in small areas assuming measurement error in the covariates |
| title |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| spellingShingle |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Estimación en áreas pequeñas Error de medición SIMEX Pobreza Small area estimation Measurement error Poverty Inferencia estadística Distribución del ingreso Statistical inference Income distribution |
| title_short |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| title_full |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| title_fullStr |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| title_full_unstemmed |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| title_sort |
Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables |
| dc.creator.fl_str_mv |
Rodriguez Malpica, Eduard Fabian |
| dc.contributor.advisor.none.fl_str_mv |
Polo González, Mayo Luz |
| dc.contributor.author.none.fl_str_mv |
Rodriguez Malpica, Eduard Fabian |
| dc.subject.ddc.spa.fl_str_mv |
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas |
| topic |
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Estimación en áreas pequeñas Error de medición SIMEX Pobreza Small area estimation Measurement error Poverty Inferencia estadística Distribución del ingreso Statistical inference Income distribution |
| dc.subject.proposal.spa.fl_str_mv |
Estimación en áreas pequeñas Error de medición SIMEX Pobreza |
| dc.subject.proposal.eng.fl_str_mv |
Small area estimation Measurement error Poverty |
| dc.subject.unesco.spa.fl_str_mv |
Inferencia estadística Distribución del ingreso |
| dc.subject.unesco.eng.fl_str_mv |
Statistical inference Income distribution |
| description |
ilustraciones, gráficas, tablas |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-15T18:50:49Z |
| dc.date.available.none.fl_str_mv |
2024-01-15T18:50:49Z |
| dc.date.issued.none.fl_str_mv |
2024-01 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/85286 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/85286 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Battese, G. E., Harter, R. M., and Fuller, W. A. An Error Component Model for Prediction of County Crop Areas Using Survey and Satellite Data. Journal of the American Statistical Association, 83:28–36, 1988 Bell, W., Basel, W., and Maples, J. An Overview of the U.S. Census Bureau’s Small Area Income and Poverty Estimates Program: Pratesi/Analysis of Poverty Data by Small Area Estimation, pages 349–378. John Wiley and Sons, 1 2016 Blanco, M., Vargas, J. F., and Vargas, J. E. Los ni ̃nos y las ni ̃nas son los principales afectados por las crisis econ ́omicas, y los impactos son perdurables. “Primero la Primera Infancia”: Instituto Colombiano de Bienestar Familiar, 2010. Buil-Gil, D., Solymosi, R., and Moretti, A. Nonparametric Bootstrap and Small Area Estimation to Mitigate Bias in Crowdsourced Data. Big Data Meets Survey Science, 16:487–517, 2020 Buonaccorsi, J. P. Measurement Error: Models, Methods and Applications. Chapman and Hall/CRC, Florida, US, 2010 Carroll, R. J., K ̈uchenhoff, H., Lombard, F., and Stefanski, L. Asymptotics for the SIMEX estimator in nonlinear measurement error models. Journal of the American Statistical Association, 91:242–250, 1996 Carroll, R. J., Ruppert, D., Stefanski, L., and Crainiceanu, C. Measurement Error in Nonlinear Models. Chapman and Hall/CRC, Florida, US, 2 edition, 2006 Cook, J. and Stefanski, L. Approximate quasilikelihood estimation in models with surrogate predictors. Journal of the American Statistical Association, 85:652–663, 1990. Cook, J. and Stefanski, L. Simulation-Extrapolation Estimation in Parametric Measurement Error Models. Journal of the American Statistical Association, 89:1314–1328, 1994. DANE. Pobreza monetaria por departamentos en colombia - año 2018. Departamento Administrativo Nacional de Estadística - DANE, 2019a. https://www.dane.gov.co/files/investigaciones/condiciones_vida/pobreza/2018/bt_pobreza_monetaria_18_departamentos.pdf. DANE. Colombia - medición de pobreza monetaria y desigualdad 2018. Departamento Administrativo Nacional de Estadística - DANE, 2019b. https://microdatos.dane.gov.co/index.php/catalog/608/pdf-documentation. DANE. Proyecciones de población bogotá. Departamento Administrativo Nacional de Estadística - DANE, 2021. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/proyecciones-de-poblacion/proyecciones-de-poblacion-bogota. Datta, G. S., Rao, J. N. K., and Torabi, M. Pseudo-empirical bayes estimation of small area means under a nested error linear regression model with functional measurement errors. Journal of Statistical Planning and Inference, 140:2952–2962, 2010. Devanarayan, V. and Stefanski, L. Empirical simulation extrapolation for measurement error models with replicate measurements. Statistics & Probability Letters, 59(3):219–225, 2015. DNP. Metodologías oficiales y arreglos institucionales para la medición de la pobreza en colombia. Departamento Nacional de Planeación - DNP, República de Colombia, 2012. https://www.dane.gov.co/files/acerca/Normatividad/CONPES-150.pdf. Efron, B. and Tibshirani, R. An Introduction to the Bootstrap. Chapman and Hall, London, UK:, 1993. Elbers, C., Lanjouw, J. O., and Lanjouw, P. Micro-level estimatio of proverty and inequality. Econometrica, 71:355–364, 2003. Fay, R. E. and Herriot, R. A. Estimation of income from small places: An application of James-Stein procedures to census data. Journal of the American Statistical Association, 1:266–277, 1979. Fitzmaurice, G., Davidian, M., Verbeke, G., and Molenberghs, G. Longitudinal Data Analysis. Chapman and Hall/CRC, New York, 2008. Foster, J., Greer, J., and Thorbecke, E. A class of decomposable poverty measures. Econometrica, 52:761–766, 1984. Fuller, W. A. Measurement Error Models. John Wiley and Sons, Iowa, US, 1987. Ghosh, M. and Sinha, K. Empirical bayes estimation in finite population sampling under functional measurement error models. Scandinavian Journal of Statistics, 33:591–608, 2007. Ghosh, M., Sinha, K., and Kim, D. Empirical and Hierarchical Bayesian Estimation in Finite Population Sampling under Structural Measurement Error Models. Scandinavian Journal of Statistics, 33:591–608, 2008. Gonz´alez-Manteiga, W., Lombard´ıa, M. J., Molina, I., Morales, D., and Santamaria, L. Bootstrap mean squared error of a small-area EBLUP. Journal of Statistical Computation and Simulation, 78:443–462, 2008. Gutiérrez, H. A. Estrategias de Muestreo. Diseño de Encuestas y Estimación de Parámetros. Universidad Santo Tomás, Bogotá, Colombia, 2009. Hall, P. and Maiti, T. On parametric bootstrap methods for small area prediction. Journal Royal Statistical Society Series B, 68:221–238, 2008. Hobza, T. and Morales, D. Empirical Best Prediction Under Unit-Level Logit Mixed Models. Journal of Official Statistics,, 32(3):661–692, 2016. Härdle, W. and Simar, L. Applied multivariate statistical analysis. 2nd ed. Springer, Berlin, 2007. Jiménez-Benítez, D., Rodríguez-Martín, A., and Jim´enez-Rodríguez, R. Análisis de determinantes sociales de la desnutrición en Latinoamérica. Nutrición Hospitalaria, 25:18–25, 2010. Marchetti, S., Tzavidis, N., and Pratesi, M. Non-parametric bootstrap mean squared error estimation for M-quantile estimators of small area averages, quantiles and poverty indicators. Computational Statistics and Data Analysis, 56:2889–2902, 2012. Molina, I., Nandram, B., and Rao, J. N. K. Small area estimation of general parameters with application to poverty indicators: A hierarchical bayes approach. The Annals of Applied Statistics, 8(2):852–885, 2014. Molina, I. and Rao, J. N. K. Small area estimation of poverty indicators. Canadian Journal of Statistics, 38:369–385, 2010. Montgomery, D. C., Peck, E. A., and Vining, G. G. Introduction to Linear Regression Analysis. Wiley & Sons, New York, 4 edition, 2006. Nolte, S. The multiplicative simulation-extrapolation approach, 2007. https://ssrn.com/abstract=969599. Novkaniza, F., Notodiputro, K. A., and Sartono, B. Bootstrap confidence interval of prediction for small area estimation based on linear mixed model. IOP Conference Series: Earth and Environmental Science, 187:012040, 2018. Nunnally, J. and Bernstein, I. H. Psychometric Theory. McGraw-Hill series in psychology. McGraw-Hill Companies,Incorporated, 1994. ISBN 9780070478497. URL https://books.google.com.co/books?id=r0fuAAAAMAAJ. Parveen, N., Moodie, E. E. M., and Brenner, B. The non-zero mean SIMEX: Improving estimation in the face of measurement error. Observational Studies, 1:91–123, 2015. Prasad, N. G. N. and Rao, J. N. K. The estimation of the mean squared error of small-area estimators. Journal of the American Statistical Associatione, 85:163–171, 1990. Pratesi, M. Analysis of poverty data by small area estimation. John Wiley and Sons, 2016. Rao, J. N. K. Small Area Estimation. John Wiley and Sons, Hoboken, New Jersey, 2003. Rao, J. N. K. and Molina, I. Small Area Estimation. 2nd Edition. John Wiley and Sons, Hoboken, New Jersey, 2015. SaludData. Ficha técnica del indicardor - malnutrición en ni˜nos menores de 5 años en bogotá d.c. SaluData - Observatorio de Salud de Bogotá, 2021a. https://saludata.saludcapital.gov.co/osb/fichas_tecnicas_osb/seg-alimentaria/OSB_Seguridad_Alimentaria_DesnutricionExcesoPeso5agnos.pdf. SaludData. Ficha técnica del indicardor - violencia intrafamiliar en bogotá d.c. SaluData - Observatorio de Salud de Bogotá, 2021b. https://saludata.saludcapital.gov.co/osb/fichas_tecnicas_osb/salud-mental/OSB_SaludMental_V-intrafamiliar.pdf. secretaría de planeación distrital. Marco territorial de lucha contra la pobreza extrema en bogotá d.c. Secretaría de Planeación - Alcaldía mayor de Bogotá D.C., 2020. https://www.sdp.gov.co/sites/default/files/lucha_contra_pobreza_extrema_bta_2021.pdf. Sen, A. Poverty and Famines. Oxford University Press, New York, US, 1979. Sierra, R., Macana, N., and Cort´es, C. Impacto Social de la violencia intrafamiliar. Revista Forensis, pages 81–90, 2006. Torabi, M. Small area estimation using survey weights with functional measurement error in the covariate. Australian and New Zealand Journal of Statistics, 53:141–155, 2011. Torabi, M. Small area estimation using survey weights under a nested error linear regression model with structural measurement error. Journal of Multivariate Analysis, 109: 52–60, 2012. Torabi, M., Datta, G. S., and Rao, J. N. K. Empirical Bayes Estimation of Small Area Means under a Nested Error Linear Regression Model with Measurement Errors in the Covariates. Scandinavian Journal of Statistics, 36:355–368, 2009. Vargas, R. and Ariza, G. Representaciones sociales de la violencia intrafamiliar en la prensa colombiana. Revista Forensis, pages 315–321, 2007. Wang, N., Lin, X., Gutierrez, R., and Carroll, R. Bias Analysis and SIMEX Approach in Generalized Linear Mixed Measurement Error Models. Journal of the American Statistical Association, 93:49–261, 1998. |
| dc.rights.spa.fl_str_mv |
Derechos reservados al autor, 2023 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-CompartirIgual 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-CompartirIgual 4.0 Internacional Derechos reservados al autor, 2023 http://creativecommons.org/licenses/by-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
vi, 56 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias - Maestría en Ciencias - Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/85286/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/85286/2/Tesis%20de%20Maestr%c3%ada%20en%20Ciencias%20-%20Estad%c3%adstica.pdf https://repositorio.unal.edu.co/bitstream/unal/85286/3/Tesis%20de%20Maestr%c3%ada%20en%20Ciencias%20-%20Estad%c3%adstica.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a de102bf26cdd215baa4ffd6f40772e79 113131cbe4839323a21cc3e0bab17023 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814090169336201216 |
| spelling |
Atribución-CompartirIgual 4.0 InternacionalDerechos reservados al autor, 2023http://creativecommons.org/licenses/by-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Polo González, Mayo Luz2f67418ef2fc258acf9c18f34c18a7d0600Rodriguez Malpica, Eduard Fabian0899b950ebafe4454e8c9489175e22682024-01-15T18:50:49Z2024-01-15T18:50:49Z2024-01https://repositorio.unal.edu.co/handle/unal/85286Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, gráficas, tablasLos mapas de pobreza juegan un papel importante en el diseño de políticas públicas y en la asignación apropiada de recursos a las zonas más necesitadas del país. En muchas ocasiones, información confiable sobre la pobreza en ciertas regiones geográficas es limitada debido a la falta de cobertura de las encuestas nacionales. Por esta razón, métodos especiales de estimación deben ser considerados para obtener estimadores con buenas propiedades estadísticas asociados a ciertas regiones geográficas. Ejemplo de estos métodos, es la estimación en áreas pequeñas, que en el caso de los indicadores de pobreza, permite obtener estimadores más precisos en áreas que tienen poca información. En este estudio, proponemos una metodología de estimación en áreas pequeñas para predecir indicadores de pobreza cuando las variables independientes en el modelo tienen error de medición, combinando el procedimiento SIMEX para estimar los parámetros del modelo y el método de máxima verosimilitud para estimar los valores reales de la variable con error de medición. Adicionalmente, se utilizó la gran encuesta integrada de hogares realizada por el DANE para estimar indicadores de pobreza en cada una de las localidades de la ciudad de Bogotá, considerando variables explicativas disponibles a nivel de área con error de medición. La metodología propuesta demostró ser efectiva en la reducción del sesgo y la varianza en la predicción del indicador de pobreza cuando se aplica un método para corregir el error de medición frente la situación en la cual se ignora el error de medición. Estos resultados son importantes porque tienen impacto sobre la toma de decisiones basados en estos indicadores obtenidos a través de información confiable. (Texto tomado de la fuente)The poverty maps play an important role in making public policy and allocating resources to the neediest areas of the country. In many situations, reliable information about poverty in certain geographic regions is often limited due to the lack of coverage of national surveys. For this reason, special methods of estimation must be considered for obtaining estimators with good statistical properties associated with certain geographic regions. An example of these methods is the small area estimation, which in the case of indicators of poverty allows obtaining more precise estimators in areas that have few information. In this study, we propose an estimation methodology for small areas to predict poverty indicators when the independent variables have measurement error, combining the SIMEX procedure to estimate model parameters with the Maximum Likelihood Method for estimating true values of variables with measurement error. Additionally, we used the large integrated household survey conducted by DANE to estimate poverty indicators in each of the localities of the city of Bogot´a, considering an explanatory variable at level area with measurement error. The proposed methodology proved to be effective in reducing bias and variance in the prediction of poverty indicators when a method for correcting the error is applied and compared with the situation where measurement errors are ignored. These results are important because they have impact on making decisions based on these indicators, which are obtained from reliable information.MaestríaMagíster en Ciencias - EstadísticaMuestreovi, 56 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias - Maestría en Ciencias - EstadísticaFacultad de CienciasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasEstimación en áreas pequeñasError de mediciónSIMEXPobrezaSmall area estimationMeasurement errorPovertyInferencia estadísticaDistribución del ingresoStatistical inferenceIncome distributionEstimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariablesEstimating poverty indicators in small areas assuming measurement error in the covariatesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBattese, G. E., Harter, R. M., and Fuller, W. A. An Error Component Model for Prediction of County Crop Areas Using Survey and Satellite Data. Journal of the American Statistical Association, 83:28–36, 1988Bell, W., Basel, W., and Maples, J. An Overview of the U.S. Census Bureau’s Small Area Income and Poverty Estimates Program: Pratesi/Analysis of Poverty Data by Small Area Estimation, pages 349–378. John Wiley and Sons, 1 2016Blanco, M., Vargas, J. F., and Vargas, J. E. Los ni ̃nos y las ni ̃nas son los principales afectados por las crisis econ ́omicas, y los impactos son perdurables. “Primero la Primera Infancia”: Instituto Colombiano de Bienestar Familiar, 2010.Buil-Gil, D., Solymosi, R., and Moretti, A. Nonparametric Bootstrap and Small Area Estimation to Mitigate Bias in Crowdsourced Data. Big Data Meets Survey Science, 16:487–517, 2020Buonaccorsi, J. P. Measurement Error: Models, Methods and Applications. Chapman and Hall/CRC, Florida, US, 2010Carroll, R. J., K ̈uchenhoff, H., Lombard, F., and Stefanski, L. Asymptotics for the SIMEX estimator in nonlinear measurement error models. Journal of the American Statistical Association, 91:242–250, 1996Carroll, R. J., Ruppert, D., Stefanski, L., and Crainiceanu, C. Measurement Error in Nonlinear Models. Chapman and Hall/CRC, Florida, US, 2 edition, 2006Cook, J. and Stefanski, L. Approximate quasilikelihood estimation in models with surrogate predictors. Journal of the American Statistical Association, 85:652–663, 1990.Cook, J. and Stefanski, L. Simulation-Extrapolation Estimation in Parametric Measurement Error Models. Journal of the American Statistical Association, 89:1314–1328, 1994.DANE. Pobreza monetaria por departamentos en colombia - año 2018. Departamento Administrativo Nacional de Estadística - DANE, 2019a. https://www.dane.gov.co/files/investigaciones/condiciones_vida/pobreza/2018/bt_pobreza_monetaria_18_departamentos.pdf.DANE. Colombia - medición de pobreza monetaria y desigualdad 2018. Departamento Administrativo Nacional de Estadística - DANE, 2019b. https://microdatos.dane.gov.co/index.php/catalog/608/pdf-documentation.DANE. Proyecciones de población bogotá. Departamento Administrativo Nacional de Estadística - DANE, 2021. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/proyecciones-de-poblacion/proyecciones-de-poblacion-bogota.Datta, G. S., Rao, J. N. K., and Torabi, M. Pseudo-empirical bayes estimation of small area means under a nested error linear regression model with functional measurement errors. Journal of Statistical Planning and Inference, 140:2952–2962, 2010.Devanarayan, V. and Stefanski, L. Empirical simulation extrapolation for measurement error models with replicate measurements. Statistics & Probability Letters, 59(3):219–225, 2015.DNP. Metodologías oficiales y arreglos institucionales para la medición de la pobreza en colombia. Departamento Nacional de Planeación - DNP, República de Colombia, 2012. https://www.dane.gov.co/files/acerca/Normatividad/CONPES-150.pdf.Efron, B. and Tibshirani, R. An Introduction to the Bootstrap. Chapman and Hall, London, UK:, 1993.Elbers, C., Lanjouw, J. O., and Lanjouw, P. Micro-level estimatio of proverty and inequality. Econometrica, 71:355–364, 2003.Fay, R. E. and Herriot, R. A. Estimation of income from small places: An application of James-Stein procedures to census data. Journal of the American Statistical Association, 1:266–277, 1979.Fitzmaurice, G., Davidian, M., Verbeke, G., and Molenberghs, G. Longitudinal Data Analysis. Chapman and Hall/CRC, New York, 2008.Foster, J., Greer, J., and Thorbecke, E. A class of decomposable poverty measures. Econometrica, 52:761–766, 1984.Fuller, W. A. Measurement Error Models. John Wiley and Sons, Iowa, US, 1987.Ghosh, M. and Sinha, K. Empirical bayes estimation in finite population sampling under functional measurement error models. Scandinavian Journal of Statistics, 33:591–608, 2007.Ghosh, M., Sinha, K., and Kim, D. Empirical and Hierarchical Bayesian Estimation in Finite Population Sampling under Structural Measurement Error Models. Scandinavian Journal of Statistics, 33:591–608, 2008.Gonz´alez-Manteiga, W., Lombard´ıa, M. J., Molina, I., Morales, D., and Santamaria, L. Bootstrap mean squared error of a small-area EBLUP. Journal of Statistical Computation and Simulation, 78:443–462, 2008.Gutiérrez, H. A. Estrategias de Muestreo. Diseño de Encuestas y Estimación de Parámetros. Universidad Santo Tomás, Bogotá, Colombia, 2009.Hall, P. and Maiti, T. On parametric bootstrap methods for small area prediction. Journal Royal Statistical Society Series B, 68:221–238, 2008.Hobza, T. and Morales, D. Empirical Best Prediction Under Unit-Level Logit Mixed Models. Journal of Official Statistics,, 32(3):661–692, 2016.Härdle, W. and Simar, L. Applied multivariate statistical analysis. 2nd ed. Springer, Berlin, 2007.Jiménez-Benítez, D., Rodríguez-Martín, A., and Jim´enez-Rodríguez, R. Análisis de determinantes sociales de la desnutrición en Latinoamérica. Nutrición Hospitalaria, 25:18–25, 2010.Marchetti, S., Tzavidis, N., and Pratesi, M. Non-parametric bootstrap mean squared error estimation for M-quantile estimators of small area averages, quantiles and poverty indicators. Computational Statistics and Data Analysis, 56:2889–2902, 2012.Molina, I., Nandram, B., and Rao, J. N. K. Small area estimation of general parameters with application to poverty indicators: A hierarchical bayes approach. The Annals of Applied Statistics, 8(2):852–885, 2014.Molina, I. and Rao, J. N. K. Small area estimation of poverty indicators. Canadian Journal of Statistics, 38:369–385, 2010.Montgomery, D. C., Peck, E. A., and Vining, G. G. Introduction to Linear Regression Analysis. Wiley & Sons, New York, 4 edition, 2006.Nolte, S. The multiplicative simulation-extrapolation approach, 2007. https://ssrn.com/abstract=969599.Novkaniza, F., Notodiputro, K. A., and Sartono, B. Bootstrap confidence interval of prediction for small area estimation based on linear mixed model. IOP Conference Series: Earth and Environmental Science, 187:012040, 2018.Nunnally, J. and Bernstein, I. H. Psychometric Theory. McGraw-Hill series in psychology. McGraw-Hill Companies,Incorporated, 1994. ISBN 9780070478497. URL https://books.google.com.co/books?id=r0fuAAAAMAAJ.Parveen, N., Moodie, E. E. M., and Brenner, B. The non-zero mean SIMEX: Improving estimation in the face of measurement error. Observational Studies, 1:91–123, 2015.Prasad, N. G. N. and Rao, J. N. K. The estimation of the mean squared error of small-area estimators. Journal of the American Statistical Associatione, 85:163–171, 1990.Pratesi, M. Analysis of poverty data by small area estimation. John Wiley and Sons, 2016.Rao, J. N. K. Small Area Estimation. John Wiley and Sons, Hoboken, New Jersey, 2003.Rao, J. N. K. and Molina, I. Small Area Estimation. 2nd Edition. John Wiley and Sons, Hoboken, New Jersey, 2015.SaludData. Ficha técnica del indicardor - malnutrición en ni˜nos menores de 5 años en bogotá d.c. SaluData - Observatorio de Salud de Bogotá, 2021a. https://saludata.saludcapital.gov.co/osb/fichas_tecnicas_osb/seg-alimentaria/OSB_Seguridad_Alimentaria_DesnutricionExcesoPeso5agnos.pdf.SaludData. Ficha técnica del indicardor - violencia intrafamiliar en bogotá d.c. SaluData - Observatorio de Salud de Bogotá, 2021b. https://saludata.saludcapital.gov.co/osb/fichas_tecnicas_osb/salud-mental/OSB_SaludMental_V-intrafamiliar.pdf.secretaría de planeación distrital. Marco territorial de lucha contra la pobreza extrema en bogotá d.c. Secretaría de Planeación - Alcaldía mayor de Bogotá D.C., 2020. https://www.sdp.gov.co/sites/default/files/lucha_contra_pobreza_extrema_bta_2021.pdf.Sen, A. Poverty and Famines. Oxford University Press, New York, US, 1979.Sierra, R., Macana, N., and Cort´es, C. Impacto Social de la violencia intrafamiliar. Revista Forensis, pages 81–90, 2006.Torabi, M. Small area estimation using survey weights with functional measurement error in the covariate. Australian and New Zealand Journal of Statistics, 53:141–155, 2011.Torabi, M. Small area estimation using survey weights under a nested error linear regression model with structural measurement error. Journal of Multivariate Analysis, 109: 52–60, 2012.Torabi, M., Datta, G. S., and Rao, J. N. K. Empirical Bayes Estimation of Small Area Means under a Nested Error Linear Regression Model with Measurement Errors in the Covariates. Scandinavian Journal of Statistics, 36:355–368, 2009.Vargas, R. and Ariza, G. Representaciones sociales de la violencia intrafamiliar en la prensa colombiana. Revista Forensis, pages 315–321, 2007.Wang, N., Lin, X., Gutierrez, R., and Carroll, R. Bias Analysis and SIMEX Approach in Generalized Linear Mixed Measurement Error Models. Journal of the American Statistical Association, 93:49–261, 1998.EstudiantesGrupos comunitariosInvestigadoresPúblico generalLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/85286/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINALTesis de Maestría en Ciencias - Estadística.pdfTesis de Maestría en Ciencias - Estadística.pdfapplication/pdf933630https://repositorio.unal.edu.co/bitstream/unal/85286/2/Tesis%20de%20Maestr%c3%ada%20en%20Ciencias%20-%20Estad%c3%adstica.pdfde102bf26cdd215baa4ffd6f40772e79MD52THUMBNAILTesis de Maestría en Ciencias - Estadística.pdf.jpgTesis de Maestría en Ciencias - Estadística.pdf.jpgGenerated Thumbnailimage/jpeg4006https://repositorio.unal.edu.co/bitstream/unal/85286/3/Tesis%20de%20Maestr%c3%ada%20en%20Ciencias%20-%20Estad%c3%adstica.pdf.jpg113131cbe4839323a21cc3e0bab17023MD53unal/85286oai:repositorio.unal.edu.co:unal/852862024-08-21 23:12:52.073Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |