多层次回归与事后分层可视化的替代方案：对当前实践的反思
应用统计
2022-05-26 v1 其他统计学
摘要
调查为政策制定、决策和了解社会提供了重要证据。然而，开展提供子群体水平估计所需的大规模调查既昂贵又耗时。多层次回归与事后分层（MRP）是一种有前景的方法，可在无需可靠直接估计所需数据量的情况下，从调查中为子群体提供可靠估计。图形显示已被广泛用于传达和诊断MRP估计。然而，关于该领域应如何进行可视化的研究很少。因此，本研究通过系统性文献综述考察了MRP可视化的当前实践。本研究还应用MRP，利用合作国会选举研究（CCES）数据估计美国2016年总统选举中特朗普的得票率，以说明当前可视化实践的含义并探索改进的替代方案。我们发现，尽管不确定性对调查推断很重要，但当前实践中并不经常展示不确定性。 choropleth地图（ choropleth map）最常用于显示MRP估计，尽管它仅显示点估计并可能阻碍所传达的信息。使用各种图形表示，我们展示了带不确定性的可视化可以说明不同模型设定对估计结果的影响。此外，本研究还提出了一种在评估MRP模型时同时考虑偏差-方差权衡的可视化策略。
引用
@article{arxiv.2205.12478,
title = {Visualising Multilevel Regression and Poststratification: Alternatives to the Current Practice},
author = {Dewi Amaliah},
journal= {arXiv preprint arXiv:2205.12478},
year = {2022}
}
备注
62 pages, 22 figures, it is a master thesis