On an improved bayesian item count technique using different priors

La técnica de conteo de ítems (ICT, por sus siglas en inglés) es útil paraestimar la proporción de personas que poseen atributos que pueden teneralgún grado de estigmatización mediante el uso de un método de preguntasindirectas. Una ICT mejorada ha sido propuesta recientemente en la literaturabajo l...

Full description

Autores:
Hussain, Zawar
Shah, Ejaz Ali
Shabbir, Javid
Riaz, Muhammad
Tipo de recurso:
Article of journal
Fecha de publicación:
2013
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/49086
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/49086
http://bdigital.unal.edu.co/42543/
Palabra clave:
atributos sensitivos
estimación Bayesiana
información a priori
preguntas indirectas
proporción poblacional
protección de la privacidad
técnica de conteo de ítems
técnica de respuesta aleatorizada
Rights
closedAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:La técnica de conteo de ítems (ICT, por sus siglas en inglés) es útil paraestimar la proporción de personas que poseen atributos que pueden teneralgún grado de estigmatización mediante el uso de un método de preguntasindirectas. Una ICT mejorada ha sido propuesta recientemente en la literaturabajo la inferencia clásica (la cual no requiere dos submuestras y librede la necesidad de encontrartamaños de muestra óptimos para cada una deellas como sucede en la ICT usual). Esta ICT mejorada se desempeña mejorque la ICT usual y que el método de Respuesta Aleatorizada (RR, por sus siglasen inglés) de Warner. Este artículo extiende su estudio bajo una visiónBayesiana usando diferentes a priori con el fin de derivar distribuciones,medias y varianzas a posteriori.Las medias y varianzas a posteriori son comparadascon el fin de estudiar cuál a priori es más útil en mejorar la técnicade conteo de ítems. Se observa que a priori simples y Beta elicitadas sonlas mejores escogencias (en términos dela varianza mínima) dependiendo deltamaño de muestra, el número de ítems y la suma de la respuesta. También,la estimación bayesiana proporciona estimadores relativamente más precisasque la estimación ML.