Estymacja pośrednia wskaźników ubóstwa na poziomie powiatów

• Autorzy: Łukasz Wawrowski

Warianty tytułu

Indirect Estimation of Poverty Indicators at Poviat Level

• Języki publikacji: PL

Abstrakty

Dysponowanie szczegółowymi i precyzyjnymi danymi na temat ubóstwa na niskim poziomie agregacji przestrzennej jest ważne dla prowadzenia skutecznej polityki spójności. W Polsce tego typu informacje są gromadzone w ramach badań gospodarstw domowych, prowadzonych przez Główny Urząd Statystyczny, i udostępniane na poziomie kraju, regionów i wybranych grup społeczno-ekonomicznych. Oszacowania bezpośrednie w domenach, których badanie nie obejmuje, są obarczone dużym błędem szacunku. W sytuacji ograniczonej, w skrajnym przypadku zerowej, liczebności próby estymację umożliwia zastosowanie metod statystyki małych obszarów - estymacji pośredniej. Techniki te wykorzystują cechy silnie skorelowane z badanym zjawiskiem, pochodzące ze spisu powszechnego lub z rejestru administracyjnego. Celem badania omawianego w artykule jest estymacja dwóch wskaźników: stopy ubóstwa i głębokości ubóstwa na poziomie powiatów, z zastosowaniem empirycznej metody bayesowskiej (EB). Pierwszy wskaźnik informuje o skali zjawiska, a drugi - o jego intensywności, więc są one komplementarnymi miarami ubóstwa. W badaniu wykorzystano dane z Europejskiego Badania Dochodów i Warunków Życia przeprowadzonego w 2011 r. oraz Narodowego Spisu Powszechnego Ludności i Mieszkań 2011. Za pomocą metody EB, bazującej na liniowym modelu mieszanym i symulacjach Monte Carlo, uzyskano informacje o wielkości i intensywności ubóstwa na poziomie powiatów. Oszacowane w ten sposób wskaźniki pozwalają na ocenę zróżnicowania ubóstwa na poziomie lokalnym. Ponadto cechują się większą precyzją i zbieżnością z rejestrami administracyjnymi w porównaniu do rezultatów estymacji bezpośredniej. (abstrakt oryginalny)

EN

The availability of detailed and precise data on poverty at a low level of spatial aggregation is important when pursuing an effective cohesion policy. In Poland, this type of information is gathered during household surveys conducted by Statistics Poland and is made available at country, region, and selected socio-economic group level. Direct estimates relating to domains not included in a survey are burdened with a serious estimation error. In a situation of a limited (or in extreme cases zero) sample size, an estimation becomes possible through the application of small area estimation methods - indirect estimation. These techniques use variables which are strongly correlated with the researched phenomenon and which come from a census or from an administrative register. The aim of the study discussed in the article is to estimate two indicators: the rate of poverty and the depth of poverty at a poviat level, with the application of the Empirical Bayes (EB) method. The first indicator provides information on the scale of the phenomenon and the other one on its intensity, and so they constitute complementary measures of poverty. The study used data from the European Union Statistics on Income and Living Conditions of 2011 and the National Census of Population and Housing 2011. Information about the scale and intensity of poverty at the poviat level was obtained through the adaptation of the EB method based on the linear mixed model and Monte Carlo simulations. The indicators estimated this way allow for an assessment of the diversity of poverty at a local level. In addition, they are more precise and consistent with administrative registers in comparison to direct estimation results. (original abstract)

Słowa kluczowe

PL

Ubóstwo; Estymacja; Estymacja bayesowska; Statystyka małych obszarów

EN

Poverty; Estimation; Bayesian estimation; Small area estimates

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2020
• Numer: nr 8
• Strony: 7--26

Twórcy

autor

Łukasz Wawrowski

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• Bates, D., Mächler, M., Bolker, B., Walker, S. (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1), 1-48. DOI: 10.18637/jss.v067.i01.
• Battese, G. E., Harter, R. M., Fuller, W. A. (1988). An error-components model for prediction of county crop areas using survey and satellite data. Journal of the American Statistical Association, 83(401), 28-36. DOI: 10.1080/01621459.1988.10478561.
• Bedi, T., Coudouel, A., Simler, K. (2007). More Than a Pretty Picture: Using Poverty Maps to Design Better Policies and Interventions. Washington: The World Bank.
• Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: Wydawnictwo Naukowe PWN.
• Brzeziński, M., Najsztub, M. (2017). The impact of "Family 500+" programme on household incomes, poverty and inequality. Polityka Społeczna, (1), 16-25.
• Bukowski, P., Novokmet, F. (2019). Between Communism and Capitalism: Long-Term Inequality in Poland, 1892-2015. CEP Discussion Paper, (1628).
• Chambers, R., Tzavidis, N. (2006). M-quantile models for small area estimation. Biometrika, 93(2), 255-268. DOI: 10.1093/biomet/93.2.255.
• Chandra, H., Chambers, R., Salvati, N. (2012). Small area estimation of proportions in business surveys. Journal of Statistical Computation and Simulation, 82(6), 783- 795. DOI: 10.1080 /00949655.2011.554834.
• Dehnel, G. (2010). Rozwój mikroprzedsiębiorczości w Polsce w świetle estymacji dla małych domen. Poznań: Wydawnictwo Uniwersytetu Ekonomicznego.
• EEC. (1985). Council Decision of 19 December 1984 on specific community action to combat poverty. Official Journal of the European Communities, 28(L 2), 24-25.
• Fenton, A. (2013). Small-area measures of income poverty. London: Centre for Analysis of Social Exclusion, London School of Economics.
• Foster, J., Greer, J., Thorbecke, E. (1984). A class of decomposable poverty measures. Econometrica, 52(3), 761-776. DOI: 10.2307/1913475.
• Gołata, E. (2004). Estymacja pośrednia bezrobocia na lokalnym rynku pracy. Poznań: Wydawnictwo Akademii Ekonomicznej.
• González-Manteiga, W., Lombardía, M., Molina, I., Morales, D., Santamaría, L. (2008). Analytic and bootstrap approximations of prediction errors under a multivariate Fay-Herriot model. Computational Statistics and Data Analysis, 52(12), 5242-5252. DOI: 10.1016/j.csda.2008.04.031.
• Graf, M., Marín, J. M., Molina, I. (2019). A generalized mixed model for skewed distributions applied to small area estimation. Test, 28(2), 565-597. DOI: 10.1007/s11749-018-0594-2.
• Guadarrama, M., Molina, I., Rao, J. N. K. (2016). A comparison of small area estimation methods for poverty mapping. Statistics in Transition new series and Survey Methodology, 17(1), 41-66. DOI: 10.21307/stattrans-2016-005.
• GUS. (2008). Dochody i warunki życia ludności Polski (raport z badania EU-SILC 2006). Warszawa: Główny Urząd Statystyczny.
• GUS. (2017). Dochody i warunki życia ludności Polski (raport z badania EU-SILC 2015). Warszawa: Główny Urząd Statystyczny.
• GUS. (2019). Dochody i warunki życia ludności Polski - raport z badania EU-SILC 2018. Warszawa: Główny Urząd Statystyczny.
• GUS. (2020). Sytuacja gospodarstw domowych w 2019 r. w świetle wyników badania budżetów gospodarstw domowych. Informacja sygnalna z dnia 29.05.2020. Pobrane z: https://stat.gov.pl/files/gfx/portalinformacyjny/pl/defaultaktualnosci/5486/3/19/1/sytuacja_gospod arstw_domowych_w_2019_r._w_swietle_wynikow_badania_budzetow_gospodarstw_domowych.pdf.
• GUS, US w Łodzi. (2013a). Jakość życia, kapitał społeczny, ubóstwo i wykluczenie społeczne w Polsce. Warszawa: Główny Urząd Statystyczny.
• GUS, US w Łodzi. (2013b). Ubóstwo w Polsce w świetle badań GUS. Warszawa: Główny Urząd Statystyczny.
• GUS, US w Łodzi. (2017). Jakość życia w Polsce w 2015 roku: Wyniki badania spójności społecznej. Warszawa: Główny Urząd Statystyczny.
• Haughton, J., Khandker, S. R. (2009). Handbook on Poverty and Inequality. Washington: The World Bank.
• Horvitz, D. G., Thompson, D. J. (1952). A Generalization of Sampling Without Replacement From a Finite Universe. Journal of the American Statistical Association, 47(260), 663-685. DOI: 10.2307/2280784.
• Jędrzejczak, A., Pekasiewicz, D. (2020). Changes in Income Distribution for Different Family Types in Poland. International Advances in Economic Research, 26(2), 135-146. DOI: 10.1007/s11294-020-09785-1.
• Kurowski, P. (2002). Koszyki minimum socjalnego i minimum egzystencji - dotychczasowe podejście. Pobrane z: https://www.ipiss.com.pl/wp- content/uploads/downloads/2012/08/rola_funk_min_soc_egz.pdf.
• Molina, I., Marhuenda, Y. (2015). Sae: An R Package for Small Area Estimation. The R Journal, 7(1), 81-98. DOI: 10.32614/rj-2015- 007.
• Molina, I., Rao, J. N. K. (2010). Small area estimation of poverty indicators. The Canadian Journal of Statistics, 38(3), 369-385. DOI: 10.1002/cjs.10051.
• Panek, T. (2010). Multidimensional approach to poverty measurement: Fuzzy measures of the incidence and the depth of poverty. Statistics in Transition new series, 11(2), 361-380.
• Panek, T. (2011). Ubóstwo, wykluczenie społeczne i nierówności: Teoria i praktyka pomiaru. Warszawa: Oficyna Wydawnicza Szkoła Główna Handlowa.
• Rao, J. N. K., Molina, I. (2015). Small Area Estimation. Hoboken, New Jersey: John Wiley & Sons.
• Rojas-Perilla, N., Pannier, S., Schmid, T., Tzavidis, N. (2020). Data-driven transformations in small area estimation. Journal of the Royal Statistical Society: Series A: Statistics in Society, 183(1), 121- 148. DOI: 10.1111/rssa.12488.
• Szarfenberg, R. (2018). Ubóstwo i pogłębiona deprywacja materialna rodzin w kontekście wdrożenia programu "Rodzina 500 plus". Polityka Społeczna, 45(1), 11-17.
• Szulc, A. (2019). Transfery socjalne w Polsce w kontekście ubóstwa monetarnego i wielowymiarowego. Wiadomości Statystyczne. The Polish Statistician, (3), 7- 26. DOI: 10.5604/01.3001.0013.8519.
• Szymkowiak, M., Młodak, A., Wawrowski, Ł. (2017). Mapping poverty at the level of subregions in Poland using indirect estimation. Statistics in Transition new series, 18(4), 609-635. DOI: 10.21307/stattrans-2017-003.
• Szymkowiak, M. (red). (2015). Pomiar ubóstwa na poziomie powiatów (LAU 1) - etap II. Jachranka: Centrum Badań i Edukacji Statystycznej GUS.
• Ulman, P., Ćwiek, M. (2020). Measuring housing poverty in Poland: a multidimensional analysis. Housing Studies, 1-19. DOI: 10.1080/02673037.2020.1759515.
• Van der Weide, R. (2014). A Review of Empirical Bayes Prediction Using Sampling Weights with Poverty Mapping in Mind. Washington: The World Bank.
• Wawrowski, Ł. (2016). The Spatial Fay-Herriot Model in Poverty Estimation. Folia Oeconomica Stetinensia, 16(2), 191-202. DOI: 10.1515/foli-2016- 0034.
• Wilak, K. M. (2014). Strukturalne modele szeregów czasowych w estymacji stopy bezrobocia w dezagregacji na województwa, płeć i wiek. Przegląd Statystyczny, (4), 409-431.
• Wolter, K. (2007). Introduction to variance estimation. New York: Springer.
• Zhang, L.-C., Giusti, C. (2016). Small Area Methods and Administrative Data Integration. W: M. Pratesi (red.), Analysis of Poverty Data by Small Area Estimation (s. 61-82). Hoboken, New Jersey: John Wiley & Sons.
• Żądło, T. (2015). Statystyka małych obszarów w badaniach ekonomicznych: Podejście modelowe i mieszane. Katowice: Wydawnictwo Uniwersytetu Ekonomicznego.

Identyfikatory

DOI

10.5604/01.3001.0014.3524