Distribución Beta para modelar proporciones en áreas pequeñas

Se implementa la estimación de proporciones en áreas pequeñas basada en modelos. A partir de la distribución beta es posible estimar explícitamente el error cuadrático medio y los errores muestrales asociados al estimador. Se compara los modelos beta clásico, mixtura finita clásico, bayesiano y baye...

Full description

Autores:
Bernal Muñoz, Luz Karime
Tipo de recurso:
Fecha de publicación:
2017
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/64011
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/64011
http://bdigital.unal.edu.co/64708/
Palabra clave:
0 Generalidades / Computer science, information and general works
5 Ciencias naturales y matemáticas / Science
6 Tecnología (ciencias aplicadas) / Technology
SAE
Mixtura
Mixto
ECM
Beta
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
id UNACIONAL2_fee56f6b1e35256abcb4d4a712645601
oai_identifier_str oai:repositorio.unal.edu.co:unal/64011
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Distribución Beta para modelar proporciones en áreas pequeñas
title Distribución Beta para modelar proporciones en áreas pequeñas
spellingShingle Distribución Beta para modelar proporciones en áreas pequeñas
0 Generalidades / Computer science, information and general works
5 Ciencias naturales y matemáticas / Science
6 Tecnología (ciencias aplicadas) / Technology
SAE
Mixtura
Mixto
ECM
Beta
title_short Distribución Beta para modelar proporciones en áreas pequeñas
title_full Distribución Beta para modelar proporciones en áreas pequeñas
title_fullStr Distribución Beta para modelar proporciones en áreas pequeñas
title_full_unstemmed Distribución Beta para modelar proporciones en áreas pequeñas
title_sort Distribución Beta para modelar proporciones en áreas pequeñas
dc.creator.fl_str_mv Bernal Muñoz, Luz Karime
dc.contributor.author.spa.fl_str_mv Bernal Muñoz, Luz Karime
dc.contributor.spa.fl_str_mv Gonzáles García, Luz Mery
dc.subject.ddc.spa.fl_str_mv 0 Generalidades / Computer science, information and general works
5 Ciencias naturales y matemáticas / Science
6 Tecnología (ciencias aplicadas) / Technology
topic 0 Generalidades / Computer science, information and general works
5 Ciencias naturales y matemáticas / Science
6 Tecnología (ciencias aplicadas) / Technology
SAE
Mixtura
Mixto
ECM
Beta
dc.subject.proposal.spa.fl_str_mv SAE
Mixtura
Mixto
ECM
Beta
description Se implementa la estimación de proporciones en áreas pequeñas basada en modelos. A partir de la distribución beta es posible estimar explícitamente el error cuadrático medio y los errores muestrales asociados al estimador. Se compara los modelos beta clásico, mixtura finita clásico, bayesiano y bayesiano mixto mediante Bootstrap. La importancia de estimar proporciones radica en que la mayoría de los indicadores de encuestas socio-económicas o demográficas y de salud, son medidas relativas y por lo tanto definen su comportamiento en el intervalo (0,1); por su parte, aunque la teoría de SAE no es reciente, la necesidad de obtener información confiable y detallada sobre características de subpoblaciones para las que el diseño muestral no fue planeado, es creciente. Su importancia está en que contar con información con mayores niveles de desagregación permiten focalizar la dinámica de las poblaciones de estudio, logrando mayor eficiencia en la toma de decisiones. La teoría de SAE basada en modelos ha centrado principalmente su desarrollo en la estimación de parámetros que siguen una distribución normal, conceptualmente no adecuada para el caso de proporciones. En este caso, Cepeda (2001) y Cepeda and Gamerman (2005) proponen la distribución beta para modelar proporciones desde el enfoque Bayesiano, mientras que Ferrari and Cribari-Neto (2004) la abordan desde la estimación clásica. Por otro lado, la teoría de SAE incorpora la estimación de parámetros de modelos lineales mixtos, en los cuales los efectos aleatorios describen el comportamiento de las áreas pequeñas en relación con las áreas mayores que las agrupan; para el caso de esta aplicación, las áreas mayores están definidas geográficamente, lo que sugeriría en principio modelarlas a partir de la inclusión de correlaciones espaciales, situación no soportada desde el análisis descriptivo que muestra la posibilidad de agrupar áreas no necesariamente por su posición en el espacio; Torkashvand et al. (2017) por ejemplo, agrupan áreas con base en la distancia euclidiana en modelos lineales mixtos. De lo anterior, se utiliza estimación clásica vía Esperanza Maximización usada en modelos de Mixturas finitas en la distribución Beta, siguiendo Grüe et al. (2012) que maximiza la probabilidad de pertenencia del área pequeña al grupo, a partir de la verosimilitud de la distribución multinomial (debido a que la pertenencia al grupo desconocida) y la distribución beta. En estimación Bayesiana, se modela la media y la dispersión del parámetro de interés y además se incorporan efectos aleatorios a partir de los grupos naturales (áreas geográficas) y mediante agrupaciones obtenidas vía métodos de clasificación. Se utilizan los datos de la Encuesta Multipropósito de Bogotá 2011, para estimar el porcentaje de hogares con carencias en condiciones de Niñez y Juventud a nivel de Unidades de Planeación Zonal, mediante cuatro técnicas de modelamiento: Máxima Verosimilitud Beta, Mixtura Finita Beta, Bayesiano Beta, Bayesiano Mixto Beta. En todos los casos es posible estimar directamente los errores cuadrados medios y por lo tanto los errores estándar muestrales (ES) del parámetro para cada área pequeña, así mismo, con fines de comparación se elimina el efecto de método de estimación, mediante remuestreo de Bootstrap. Los resultados permiten concluir que, para los datos utilizados, tanto en estimación explícita como con remuestreo los errores estándar obtenidos mediante el modelo de Mixturas Finitas Beta, son menores.
publishDate 2017
dc.date.issued.spa.fl_str_mv 2017-11-01
dc.date.accessioned.spa.fl_str_mv 2019-07-02T22:23:33Z
dc.date.available.spa.fl_str_mv 2019-07-02T22:23:33Z
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/64011
dc.identifier.eprints.spa.fl_str_mv http://bdigital.unal.edu.co/64708/
url https://repositorio.unal.edu.co/handle/unal/64011
http://bdigital.unal.edu.co/64708/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartof.spa.fl_str_mv Universidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de Estadística Estadística
Estadística
dc.relation.references.spa.fl_str_mv Bernal Muñoz, Luz Karime (2017) Distribución Beta para modelar proporciones en áreas pequeñas. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.program.none.fl_str_mv Bogotá - Ciencias - Maestría en Ciencias - Bioestadística
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/64011/1/LuzK.BernalMunoz.2017.pdf
https://repositorio.unal.edu.co/bitstream/unal/64011/2/LuzK.BernalMunoz.2017.pdf.jpg
bitstream.checksum.fl_str_mv f53cb2cf9cf007490f66c9f74239deda
e09794e8ecb9e3ab97c162032102ddbd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089307633221632
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Gonzáles García, Luz MeryBernal Muñoz, Luz Karimeaad8ce19-7316-4d7e-b1c1-54d6503e17363002019-07-02T22:23:33Z2019-07-02T22:23:33Z2017-11-01https://repositorio.unal.edu.co/handle/unal/64011http://bdigital.unal.edu.co/64708/Se implementa la estimación de proporciones en áreas pequeñas basada en modelos. A partir de la distribución beta es posible estimar explícitamente el error cuadrático medio y los errores muestrales asociados al estimador. Se compara los modelos beta clásico, mixtura finita clásico, bayesiano y bayesiano mixto mediante Bootstrap. La importancia de estimar proporciones radica en que la mayoría de los indicadores de encuestas socio-económicas o demográficas y de salud, son medidas relativas y por lo tanto definen su comportamiento en el intervalo (0,1); por su parte, aunque la teoría de SAE no es reciente, la necesidad de obtener información confiable y detallada sobre características de subpoblaciones para las que el diseño muestral no fue planeado, es creciente. Su importancia está en que contar con información con mayores niveles de desagregación permiten focalizar la dinámica de las poblaciones de estudio, logrando mayor eficiencia en la toma de decisiones. La teoría de SAE basada en modelos ha centrado principalmente su desarrollo en la estimación de parámetros que siguen una distribución normal, conceptualmente no adecuada para el caso de proporciones. En este caso, Cepeda (2001) y Cepeda and Gamerman (2005) proponen la distribución beta para modelar proporciones desde el enfoque Bayesiano, mientras que Ferrari and Cribari-Neto (2004) la abordan desde la estimación clásica. Por otro lado, la teoría de SAE incorpora la estimación de parámetros de modelos lineales mixtos, en los cuales los efectos aleatorios describen el comportamiento de las áreas pequeñas en relación con las áreas mayores que las agrupan; para el caso de esta aplicación, las áreas mayores están definidas geográficamente, lo que sugeriría en principio modelarlas a partir de la inclusión de correlaciones espaciales, situación no soportada desde el análisis descriptivo que muestra la posibilidad de agrupar áreas no necesariamente por su posición en el espacio; Torkashvand et al. (2017) por ejemplo, agrupan áreas con base en la distancia euclidiana en modelos lineales mixtos. De lo anterior, se utiliza estimación clásica vía Esperanza Maximización usada en modelos de Mixturas finitas en la distribución Beta, siguiendo Grüe et al. (2012) que maximiza la probabilidad de pertenencia del área pequeña al grupo, a partir de la verosimilitud de la distribución multinomial (debido a que la pertenencia al grupo desconocida) y la distribución beta. En estimación Bayesiana, se modela la media y la dispersión del parámetro de interés y además se incorporan efectos aleatorios a partir de los grupos naturales (áreas geográficas) y mediante agrupaciones obtenidas vía métodos de clasificación. Se utilizan los datos de la Encuesta Multipropósito de Bogotá 2011, para estimar el porcentaje de hogares con carencias en condiciones de Niñez y Juventud a nivel de Unidades de Planeación Zonal, mediante cuatro técnicas de modelamiento: Máxima Verosimilitud Beta, Mixtura Finita Beta, Bayesiano Beta, Bayesiano Mixto Beta. En todos los casos es posible estimar directamente los errores cuadrados medios y por lo tanto los errores estándar muestrales (ES) del parámetro para cada área pequeña, así mismo, con fines de comparación se elimina el efecto de método de estimación, mediante remuestreo de Bootstrap. Los resultados permiten concluir que, para los datos utilizados, tanto en estimación explícita como con remuestreo los errores estándar obtenidos mediante el modelo de Mixturas Finitas Beta, son menores.The estimation of proportions in small areas based on models is implemented. From the beta distribution it is possible to estimate explicitly the mean square error and the sampling errors associated with the estimator. The classic beta models, classical finite mixture, Bayesian and mixed Bayesian are compared, using Bootstrap.Maestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Bogotá Facultad de Ciencias Departamento de Estadística EstadísticaEstadísticaBernal Muñoz, Luz Karime (2017) Distribución Beta para modelar proporciones en áreas pequeñas. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.0 Generalidades / Computer science, information and general works5 Ciencias naturales y matemáticas / Science6 Tecnología (ciencias aplicadas) / TechnologySAEMixturaMixtoECMBetaDistribución Beta para modelar proporciones en áreas pequeñasTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBogotá - Ciencias - Maestría en Ciencias - BioestadísticaORIGINALLuzK.BernalMunoz.2017.pdfapplication/pdf20374696https://repositorio.unal.edu.co/bitstream/unal/64011/1/LuzK.BernalMunoz.2017.pdff53cb2cf9cf007490f66c9f74239dedaMD51THUMBNAILLuzK.BernalMunoz.2017.pdf.jpgLuzK.BernalMunoz.2017.pdf.jpgGenerated Thumbnailimage/jpeg3887https://repositorio.unal.edu.co/bitstream/unal/64011/2/LuzK.BernalMunoz.2017.pdf.jpge09794e8ecb9e3ab97c162032102ddbdMD52unal/64011oai:repositorio.unal.edu.co:unal/640112023-04-24 23:06:17.483Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co