Hierarchical Bayes small‐area estimation with an unknown link function

2018 ◽  
Vol 46 (3) ◽  
pp. 885-897 ◽  
Author(s):  
Shonosuke Sugasawa ◽  
Tatsuya Kubokawa ◽  
J. N. K. Rao
Keyword(s):  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayes ◽  
Link Function ◽  
Area Estimation ◽  
Unknown Link

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.

scholarly journals PENDUGAAN ANGKA PENGANGGURAN DI KABUPATEN PADANG PARIAMAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYES (HB) LOGNORMAL

2019 ◽  
Vol 7 (4) ◽  
pp. 15
Author(s):  
Mia Mauliani ◽  
Maiyastri Maiyastri ◽  
Rita Diana
Keyword(s):  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayes ◽  
Area Estimation

Informasi mengenai Tingkat Pengangguran Terbuka (TPT) yang tersedia sampai saat ini hanya bisa diketahui sampai pada tingkat kabupaten. Padahal untuk berbagai tujuan dan kepentingan maka informasi yang memadai yang bisa menjangkau area yang lebih kecil menjadi sangat penting. Penelitian ini bertujuan untuk medapatkan TPT pada level kecamatan menggunakan metode SAE dengan pendekatan Hierarchical Bayes (HB) lognormal. Hasil estimasi TPT dengan penduga HB menghasilkan nilai standar error yang lebih kecil daripada penduga langsung, sehingga penduga HB lebih baik dibandingkan penduga langsung.Kata Kunci: Tingkat Pengangguran Terbuka, Hierarchical Bayes, Lognormal, Small Area Estimation

Sign in / Sign up

Export Citation Format

Share Document