| Abstract : | Replication methods of variance estimation are commonly used in the analysis of data from complex surveys. These methods are also known as re-sampling techniques, as they both use resamples from the data to estimate variances. They treat the sample as if it was itself a population. Then, different samples from this new “population” are taken and subsamples of it are used to estimate the variance of the estimator of interest. In this thesis, we review two of the most common replication methods of variance estimation: the Jackknife and the Bootstrap. In our study, estimates of specific indicators of poverty and social exclusion from the European survey for income and living conditions are produced, for years 2012 and 2013. Both re-sampling methods are applied in order to estimate the variance of these indicators. The two methods are compared with respect to the estimated standard errors and computational efficiency.
Η εκτίμηση διακύμανσης σε σύνϑετες έρευνες απαιτεί, συχνά, τη χρήση επανα- ληπτικών μεϑόδων. Οι μέϑοδοι αυτές είναι γνωστές ως επαναδειγματοληπτικές, αφού και οι δύο χρησιμοποιούν αναπροσαρμοσμένα τμήματα του αρχικού δείγματος προκειμένου να εκτιμήσουν διακυμάνσεις. Αντιμετωπίζουν το δείγμα σαν να είναι ο πληϑυσμός. Στη συνέχεια, χρησιμοποιούνται διαφορετικά δείγματα από αυτόν τον “πληϑυσμό” προκειμένου να εκτιμηϑεί η διακύμανση του εκτιμητή που μας ενδιαφέρει. Στην παρούσα διατριβή, αναλύουμε δύο εκ των πιο γνωστών επαναληπτικών μεϑόδων εκτίμησης διακύμανσης: τη μέϑοδο Jackknife kαι τη μέϑοδο Bootstrap. Στη μελέτη μας, εκτιμητές συγκεκριμένων δεικτών φτώχειας και κοινωνικού αποκλεισμού από την Ευρωπαΐκή ΄Ερευνα για το εισόδημα και τις συνϑήκες διαβίωσης υπολογίζονται, για τα έτη 2012 και 2013. Εφαρμόζονται και οι δύο επαναληπτικές μέϑοδοι, προκειμένου να εκτιμηϑεί η διακύμανση αυτών των δεικτών. Πραγματοποιείται σύγκριση των δύο μεϑόδων σε σχέση με τα εκτιμώμενα τυπικά σφάλματα και την υπολογιστική τους απόδοση.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.