Robust Hierarchical Bayes Small Area Estimation for the Nested Error Linear Regression Model

2018 ◽  
Vol 87 (S1) ◽  
pp. S158-S176 ◽  
Author(s):  
Adrijo Chakraborty ◽  
Gauri Sankar Datta ◽  
Abhyuday Mandal
Keyword(s):  
Linear Regression ◽  
Regression Model ◽  
Linear Regression Model ◽  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayes ◽  
Area Estimation

scholarly journals Binomial Regression in Small Area Estimation Method for Estimate Proportion of Cultural Indicator

2018 ◽  
Author(s):  
Yudistira Yudistira ◽  
Anang Kurnia ◽  
Agus Mohamad Soleh
Keyword(s):  
Regression Model ◽  
Sample Size ◽  
Small Area ◽  
Small Area Estimation ◽  
Estimation Method ◽  
Alternative Methods ◽  
Area Estimation ◽  
Binomial Regression ◽  
Cultural Indicator ◽  
Sampling Survey

In sampling survey, it was necessary to have sufficient sample size in order to get accurate direct estimator about parameter, but there are many difficulties to fulfill them in practice. Small Area Estimation (SAE) is one of alternative methods to estimate parameter when sample size is not adequate. This method has been widely applied in such variation of model and many fields of research. Our research mainly focused on study how SAE method with binomial regression model is applied to obtained estimate proportion of cultural indicator, especially to estimate proportion of people who appreciate heritages and museums in each regency/city level in West Java Province. Data analysis approach used in our research with resurrected data and variables in order to be compared with previous research. The result later showed that binomial regression model could be used to estimate proportion of cultural indicator in Regency/City in Indonesia with better result than direct estimation method.

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.

Sign in / Sign up

Export Citation Format

Share Document