Adjustment of unemployment estimates based on small area estimation in Korea
Notice bibliographique
Résumé
The Korean Economically Active Population Survey (EAPS) has been conducted in order to produce unemployment statistics for Metropolitan Cities and Provincial levels, which are large areas. Large areas have been designated as planned domains, and local self-government areas (LSGA’s) as unplanned domains in the EAPS. In this study, we suggest small area estimation methods to adjust for the unemployment statistics of LSGA’s within large areas estimated directly from current EAPS data. We suggest synthetic and composite estimators under the Korean EAPS system, and for the model-based estimator we put forward the Hierarchical Bayes (HB) estimator from the general multi-level model. The HB estimator we use here has been introduced by You and Rao (2000). The mean square errors of the synthetic and composite estimates are derived by the Jackknife method from the EAPS data, and are used as a measure of accuracy for the small area estimates. Gibbs sampling is used to obtain the HB estimates and their posterior variances, and we use these posterior variances as a measure of precision for small area estimates. The total unemployment figures of the 10 LSGA’s within the ChoongBuk Province produced by the December 2000 EAPS data have been estimated using the small area estimation methods suggested in this study. The reliability of small area estimates is evaluated by the relative standard errors or the relative root mean square errors of these estimates. We suggest here that under the current Korean EAPS system, the composite estimates are more reliable than other small area estimates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».