基于广义随机森林的小区域估计：估算墨西哥的贫困率
统计方法学
2024-06-07 v1
摘要
在收入分配和福祉信息有限的行政单位中，识别和解决贫困问题颇具挑战。为克服这一障碍，小区域估计方法已被开发出来，以在数据稀缺的情况下，在分解层面提供可靠且高效的估计量，从而使政策制定者能够做出明智决策。从理论角度，我们提出了一种在小区域估计背景下基于二元响应变量估算贫困指标的稳健且灵活的方法：广义混合效应随机森林。我们的方法采用机器学习技术从数据中识别预测性的非线性关系，同时建模层次结构。使用参数自助法探索均方误差估计。从应用角度，我们考察了因将连续变量转换为二元变量而导致的信息损失对小区域估计方法性能的影响。我们在基于模型和基于设计的模拟中评估了所提出的点估计和不确定性估计。最后，我们将我们的方法应用于一个案例研究，揭示了墨西哥特拉斯卡拉州的贫困空间模式。
引用
@article{arxiv.2406.03861,
title = {Small area estimation with generalized random forests: Estimating poverty rates in Mexico},
author = {Nicolas Frink and Timo Schmid},
journal= {arXiv preprint arXiv:2406.03861},
year = {2024}
}