Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 6

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  small domain estimation
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Multidimensional smoothing in tables of fertility rates

100%
Jurkiewicz T., Uniwersytet Gdański; Wydział Zarządzania; Katedra Statystyki
Acta Universitatis Lodziensis. Folia Oeconomica
|
2011
|
vol. 255
PL
Jednym z podstawowych mierników płodności kobiet jest cząstkowy współczynnik (drugiej kategorii) płodności ogólnej kobiet rodzących dziecko kolejności p. Szacowanie współczynników płodności możliwe jest na podstawie bieżącej rejestracji ruchu naturalnego ludności. Większym problemem, z uwagi na ruchy wędrówkowe ludności, jest jednak uzyskanie oszacowań dla danych regionalnych oraz dla kohort, które nie były objęte jeszcze rejestracją bieżącą. Estymacja współczynników płodności odbywa się dla wielu szczegółowych przekrojów. Sprawia to. że nawet przy kilkusettysięcznej ogólnopolskiej próbie współczynnik wyznaczany jest dla stosunkowo niewielkiej domeny kobiet urodzonych w danym roku i zamieszkujących w określonym województwie. Rozkład płodności kohorty kobiet w czasie jest rozkładem o silnej prawostronnej asymetrii i o zazwyczaj gładkim przebiegu. W wyniku badania reprezentacyjnego uzyskany rozkład będzie jednak zaburzany na skutek losowego mechanizmu doboru jednostek. Tym samym pojawia się konieczność wygładzenia rozkładu tak, aby zniwelować wpływ składnika losowego w ostatecznym obrazie rozkładu płodności. Celem pracy jest weryfikacja możliwości zastosowania metod wygładzania dla tablic płodności i ocena wpływu wygładzania na efektywność estymacji.
2
Publication available in full text mode
Content available

Efficiency of the Modified Synthetic Estimator - Monte Carlo Analysis

100%
Jurkiewicz T., Department of Statistics U. o. G.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2009
|
vol. 228
PL
Problem zbyt małej liczby obserwacji w próbie, reprezentującej określoną domenę populacji, może być rozwiązany między innymi poprzez zastosowanie takich estymatorów, które do szacowania parametrów w określonej subpopulacji (małym obszarze, domenie) wykorzystują dodatkowe informacje z pozostałej części próby. Rozwijane przez statystykę małych obszarów metody estymacji są często skomplikowane i trudne do praktycznego zastosowania np. w badaniach biznesowych. Stąd też istnieje po-trzeba rozwijania także metod, które będą łatwe w aplikacji i wystarczające efektywne. Jedną z takich propozycji może być zmodyfikowany estymator syntetyczny (MES). Zastosowanie estymatora MES zakłada dwuetapowy proces estymacji. W pierwszym etapie za pomocą metod klasyfikacji lub badania podobieństw określa się podobieństwa jednostek należących do małej domeny do jednostek z pozostałej części próby. Drugim krokiem jest wykorzystanie w estymacji, za pomocą odpowiednio skonstruowanych wag, informacji tylko od tych jednostek, które są podobne do jednostek z malej domeny. Autor przedstawia wyniki porównania efektywności estymatora MES z innymi estyma- torami na bazie eksperymentów symulacyjnych.
EN
The problem of insufficient number of sample observations representing a population domain of interest (small area) can be solved by applying estimators which will be able to combine sample information from the given domain with information about sample units representing other domains. Modified Synthetic Estimator (MES) can be regarded as one of the proposals in this field. Using modified synthetic estimator requires an application of a two-stage estimation procedure. The first stage consists in applying some distance measures in order to identify the degree of similarity between the sample units. In the second stage, those units, which turned out to be similar to units from the domain of interest, are used to provide sample information with specially constructed weights. Author presents and discusses some results o f Monte Carlo analysis aimed at comparing efficiency between the MES and other estimators.
3
Publication available in full text mode
Content available

An Influence of Distance Measure Among Sample Units on Efficiency of the Modified Synthetic Estimator : Monte Carlo Analysis

100%
Jurkiewicz T., University of Gdańsk D. o. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2009
|
vol. 225
EN
The problem of insufficient number of sample observations representing a given population domain of interest (small area) can be solved by applying estimators, which will be able to combine sample information from the given domain with information about sample units representing other domains. Synthetic estimation technique assumes that the distribution of the variable of interest is the same in the given domain and in the entire population. This assumption, however, is rarely met, and as a result, one can obtain large estimation errors. Use of modified synthetic estimator requires an application of a two-stage estimation procedure. The first stage consists in applying some distance measures in order to identify the degree of similarity between the sample units from the investigated domain, and sample units representing other domains. In the second stage, those units, which turned out to be similar to units from the domain of interest, are used to provide sample information with specially constructed weights. Chosen distance measure is one of the crucial factors in using MES estimator. Author presents Monte Carlo analysis of the efficiency of MES estimator using different distance measures between sample units.
PL
Problem zbyt malej liczby obserwacji w próbie, reprezentującej określoną domenę populacji, może być rozwiązany m. in. poprzez zastosowanie takich estymatorów, które do szacowania parametrów w określonej subpopulacji (małym obszarze, domenie) wykorzystują dodatkowe informacje z pozostałej części próby. Jedna z metod estymacji dla małych domen, zwana estymacją syntetyczną, zakłada, że rozkład w badanej małej domenie jest identyczny z rozkładem całej populacji. Założenie to pozostaje zazwyczaj niespełnione, zwłaszcza w przypadku specyficznych domen, co skutkuje dużymi błędami estymacji. Zastosowanie zmodyfikowanego estymatora syntetycznego (MES) zakłada dwuetapowy proces estymacji. W pierwszym etapie za pomocą metod klasyfikacji lub badania podobieństw określa się podobieństwa jednostek należących do małej domeny do jednostek z pozostałej części próby. Drugim krokiem jest wykorzystanie w estymacji, za pomocą odpowiednio skonstruowanych wag, informacji tylko od tych jednostek, które są podobne do jednostek z małej domeny. Ważnym czynnikiem wpływającym na efektywność zmodyfikowanego estymatora syntetycznego jest zastosowana miara odległości. Autor przedstawia wyniki symulacyjnego badania efektywności estymatora MES przy zastosowanych różnych miarach odległości do badania podobieństwa jednostek.
4
Publication available in full text mode
Content available

An Influence of Classification Method on Efficiency of Modified Synthetic Estimator

100%
Jurkiewicz T., Najman K., University of Gdańsk D. o. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2006
|
vol. 196
EN
The problem of insufficient number of sample observations representing a given population domain of interest (small area) can be solved by applying such estimators, which will be able to combine sample information from the given domain with information about sample units representing other domains. One small area estimation method, called synthetic estimation technique, assumes that the distribution of the variable of interest is identical in the given domain and in the entire population. This assumption, however, is rarely met, and as a result one obtains large estimation errors. In this paper a two-stage estimation procedure is suggested. The first stage consist in applying various classification methods to identify the degree of similarity between the sample units from the investigated domain and sample units representing other domains. In the second stage, those domains, which turned out to be similar to the domain of interest or sample units similar to units from domain of interest, are used to provide sample information with specially constructed weights. Authors present the results of the suggested procedure in an analysis of the continuing vocational training in construction industry based on a sample survey of enterprises. A bootstrap attempt has been made to assess errors of the suggested estimation procedure.
PL
Problem zbyt małej liczby obserwacji w próbie, reprezentującej określoną domenę populacji, może być rozwiązany m. in. poprzez estymatory wykorzystujące informacje o innych jednostkach w próbie. Jedna z metod estymacji dla małych domen, zwana estymacją syntetyczną, zakłada, że rozkład w badanej małej domenie jest identyczny z rozkładem całej populacji. Założenie to pozostaje zazwyczaj niespełnione, zwłaszcza w przypadku specyficznych domen, co skutkuje dużymi błędami estymacji. Problem niespełnienia założeń estymacji syntetycznej może być rozwiązany poprzez zastosowanie dwuetapowego procesu estymacji. W pierwszym etapie za pomocą metod analizy wielowymiarowej, np. za pomocą metody klasyfikacji k-średnich, badania odległości czy też wykorzystując sieci neuronowe typu SOM, określa się podobieństwa domen lub jednostek należących do małej domeny do jednostek z pozostałej części próby. Drugim krokiem jest wykorzystanie w estymacji, za pomocą odpowiednio skonstruowanych wag, informacji tylko o tych jednostkach lub z tych domen, które są podobne do badanej małej domeny. W artykule autorzy przedstawiają rezultaty zastosowanej metody na przykładzie badania reprezentacyjnego kształcenia ustawicznego w branży budowlanej. Za pomocą metod bootsrtrapowych dokonano oceny wpływu stosowania różnych metod badania podobieństw między jednostkami na własności modyfikowanego estymatora syntetycznego.
5
Publication available in full text mode
Content available

Proposition of Applying k-Means Classification Method and the SOM Type Neural Network to Improve the Efficiency of Small Domains Estimation in a Representative Study of Small and Medium-Sized Enterprises

100%
Jurkiewicz T., Najman K., University of Gdańsk C. o. S.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2005
|
vol. 194
PL
Problem zbyt małej liczby obserwacji w próbie, reprezentującej określoną domenę populacji, może być rozwiązany między innymi poprzez zastosowanie takich estymatorów, które do szacowania parametrów w określonej supopulacji (małym obszarze, domenie) mogłyby wykorzystać informacje o innych jednostkach w próbie, które pochodzą spoza określonej części populacji. Jedna z metod estymacji dla małych domen zwana estymacją syntetyczną zakłada, że rozkład w badanej małej domenie jest identyczny z rozkładem całej populacji. Założenie to pozostaje zazwyczaj niespełnione, zwłaszcza w przypadku specyficznych domen, co skutkuje dużymi błędami estymacji. Autorzy przedstawiają propozycję dwuetapowego procesu estymacji. W pierwszym etapie za pomocą sieci neuronowych typu SOM oraz za pomocą metody klasyfikacji k-średnich określa się podobieństwa jednostek należących do małej domeny do jednostek z pozostałej części próby. Drugim krokiem jest wykorzystanie w estymacji, za pomocą odpowiednio skonstruowanych wag, informacji tylko z tych domen, które są podobne do badanej małej domeny. Autorzy przedstawiają rezultaty zastosowania podanej procedury w analizie branży budowlanej na podstawie wyników reprezentacyjnego badania małych i średnich przedsiębiorstw. Podjęli także próbę oszacowania błędów tak zmodyfikowanej metody estymacji syntetycznej.
EN
The problem of a too small number of observations of a sample, representing a defined domain of a population may be solved inter alia thanks to the application of estimators which would use information about other components of the sample (derived from outside the defined part of the population) to estimate parameters in a given subpopulation (small area, domain). One of estimation methods for small domains - the synthetic estimation - assumes, that the distribution of the studied small domain is identical with the distribution of the whole population. This assumption remains usually unfulfilled, in particular in case of specific domains, what results in large estimation errors. The authors present a proposition of two-stage estimation process. In the first stage, using the SOM-type neural networks and using the k-means classification method the similarity of components belonging to the small domain with the components belonging to the remaining part of the sample is determined. The second step consists in using the information only from those domains, which are similar to the studied small domain with the help of appropriately construed weights. Authors present the results of the above procedure in the analysis of the building industry on the basis of a representative study of small and medium-sized enterprises. They have also undertaken an attempt to estimate the errors of the synthetic estimation method modified in such a way.
6
Publication available in full text mode
Content available

Correlation among variables and methods of establishing weights of sample units. Monte Carlo analysis of the modified synthetic estimator

100%
Jurkiewicz T., Department of Statistics U. o. G.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2008
|
vol. 216
EN
In many statistical surveys one faces the problem of insufficient number of sample observations to make reliable inference about a given population domain of interest (small area). One possible solution, which has been discussed in statistical publications consists in applying estimators, which will be able to combine sample information from the given domain with information about sample units representing other domains. Synthetic estimation technique is particularly efficient, if the distribution ot the variable ot interest is the same in the given domain and in the entire population. When this assumption is far from being met, one can obtain, as a consequence, large estimation errors. Using modified synthetic estimator requires an application of a two-stage estimation procedure. The first stage consists in applying some distance measures in order to identify the degree of similarity between the sample units from the investigated domain and sample units representing other domains. In the second stage, those units, which turned out to be similar to units from the domain of interest, are used to provide sample information with specially constructed weights. A method of establishing weights is one of the crucial factors in using MES estimator. Author presents results of Monte Carlo analysis of the efficiency of MES estimator using different weights.
PL
Problem zbyt małej liczby obserwacji w próbie, reprezentującej określoną domenę populacji, może być rozwiązany między innymi poprzez zastosowanie takich estymatorów, które do szacowania parametrów w określonej subpopulacji (małym obszarze, domenie) wykorzystują dodatkowe informacje z pozostałej części próby. Jedna z metod estymacji dla małych domen zwana estymacją syntetyczną sprawdza się przy założeniu, że rozkład (albo któryś z parametrów rozkładu) w badanej małej domenie jest identyczny z rozkładem całej populacji. Założenie to pozostaje zazwyczaj niespełnione, zwłaszcza w przypadku specyficznych domen, co skutkuje dużymi błędami estymacji. Zastosowanie zmodyfikowanego estymatora syntetycznego (MES) zakłada dwuetapowy proces estymacji. W pierwszym etapie za pomocą metod klasyfikacji lub badania podobieństw określa się podobieństwa jednostek należących do małej domeny do jednostek z pozostałej części próby. Drugim krokiem jest wykorzystanie w estymacji, za pomocą odpowiednio skonstruowanych wag, informacji tylko od tych jednostek, które są podobne do jednostek z małej domeny. Ważnym czynnikiem wpływającym na efektywność zmodyfikowanego estymatora syntetycznego jest dobór metod ustalania wag dla poszczególnych jednostek badanej zbiorowości. Autor przedstawia wyniki symulacyjnego badania efektywności estymatora MES przy zastosowanych różnych sposobach ustalania wag.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.