Poverty Mapping in Small Areas Under a Twofold Nested Error Regression Model
Notice bibliographique
Résumé
Summary Poverty maps at local level might be misleading when based on direct (or area-specific) estimators obtained from a survey that does not cover adequately all the local areas of interest. In this case, small area estimation procedures based on assuming common models for all the areas typically provide much more reliable poverty estimates. These models include area effects to account for the unexplained between-area heterogeneity. When poverty figures are sought at two different aggregation levels, domains and subdomains, it is reasonable to assume a twofold nested error model including random effects explaining the heterogeneity at the two levels of aggregation. The paper introduces the empirical best (EB) method for poverty mapping or, more generally, for estimation of additive parameters in small areas, under a twofold model. Under this model, analytical expressions for the EB estimators of poverty incidences and gaps in domains or subdomains are given. For more complex additive parameters, a Monte Carlo algorithm is used to approximate the EB estimators. The EB estimates obtained of the totals for all the subdomains in a given domain add up to the EB estimate of the domain total. We develop a bootstrap estimator of the mean-squared error of EB estimators and study the effect on the mean-squared error of a misspecification of the area effects. In simulations, we compare the estimators obtained under the twofold model with those obtained under models with only domain effects or only subdomain effects, when all subdomains are sampled or when there are unsampled subdomains. The methodology is applied to poverty mapping in counties of the Spanish region of Valencia by gender. Results show great variation in the poverty incidence and gap across the counties from this region, with more counties affected by extreme poverty when restricting ourselves to women.
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 | 0,012 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».