کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869312 681349 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Small area estimation of the Gini concentration coefficient
ترجمه فارسی عنوان
برآورد ضرایب غلظت جینی در محدوده کوچک
ترجمه چکیده
ضریب جینی ضریب تمرکز مردمی است که اغلب در تحلیل نابرابری اقتصادی مورد استفاده قرار می گیرد. برآورد این شاخص برای مناطق کوچک ممکن است برای نشان دادن نابرابری در جوامع محلی مناسب باشد. با این حال، برآورد مساحت کوچک ضریب جینی به طور کامل مورد بررسی قرار نگرفته است. یک روش مبتنی بر مدل های سطح منطقه، در نتیجه اجتناب از پذیرش داده های سرشماری در سطح میکرو پیشنهاد شده است. برآورد کننده بر مبنای طراحی اصلاح شده برای ضریب با کاهش ضریب نمونه کوچک به عنوان ورودی برای مدل منطقه کوچک پیشنهاد شده است، در حالی که یک مدل رگرسیون ترکیبی سلسله مراتبی بتا برای ترکیب داده ها و اطلاعات کمکی معرفی شده است. این روش با استفاده از مثال بر اساس داده های ایتالیایی از نظرسنجی در مورد درآمد و شرایط زندگی یونان نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
The Gini coefficient is a popular concentration measure often used in the analysis of economic inequality. Estimates of this index for small regions may be useful to properly represent inequalities within local communities. However, the small area estimation for the Gini coefficient has not been thoroughly investigated. A method based on area level models, thereby avoiding the assumption of the availability of Census data at the micro level, is proposed. A modified design based estimator for the coefficient with reduced small sample bias is suggested as input for the small area model, while a hierarchical Beta mixed regression model is introduced to combine survey data and auxiliary information. The methodology is illustrated by means of an example based on Italian data from the European Union Survey on Income and Living Conditions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 99, July 2016, Pages 223-234
نویسندگان
, ,