Wykorzystanie dynamicznych modeli liniowych w estymacji pośredniej

• Autorzy: Kamil Wilak

Warianty tytułu

Application of Dynamic Linear Models in Indirect Estimation

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono metodę estymacji wykorzystującą dynamiczne modele liniowe, następnie zastosowano ją do szacowania stopy bezrobocia. Podjęto także próbę oceny tego podejścia pod kątem jakości oszacowań. W tym celu przeprowadzono badanie symulacyjne, którego zadaniem jest porównanie estymatorów bazujących na dynamicznym modelu liniowym z estymatorami bezpośrednimi. Wyniki tych badań pokazują, że zastosowanie dynamicznych modeli liniowych może w dużym stopniu obniżyć wariancję estymatorów bezpośrednich, zwiększając tym samym precyzję oszacowania.(abstrakt oryginalny)

EN

In this paper we describe a method of estimation which uses dynamic linear models and then we use this method for estimating unemployment rate. We attempt also to evaluate this approach in respect of the quality of assessment. In this aim we do simulation study which purpose is to compare estimators based on dynamic linear models to direct estimators. The results of the survey show that the use of time series models may greatly reduce variance of direct estimators, and thereby increase the precision of assessment.(original abstract)

Słowa kluczowe

PL

Modele liniowe; Ekonometria; Estymacja

EN

Linear models; Econometrics; Estimation

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2013
• Numer: nr 2 (40)
• Strony: 126--138

Twórcy

autor

Kamil Wilak

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• Bracha C., Teoretyczne podstawy metody reprezentacyjnej, Warszawa 1996.
• Brakel J., Krieg S., Estimation of the Monthly Unemployment Rate through Structural Time Series modeling in a Rotating Panel Design, Statistics Netherlands, Hague 2008.
• Brakel J., Krieg S., Estimation of the Monthly Unemployment rate for Six Domains through Structural Time Series Modeling with Cointegrated Trends, Statistics Netherlands, Hague 2010.
• Brakel J., Krieg S., Structural Time Series Modeling of the Monthly Unemployment Rate in a Rotating Panel, Statistics Netherlands, Hague 2009.
• Esteban M.D., Morales D., Perez A., Santamaria L., Small area Estimation of Poverty Proportions under Area-Level Time Models, "Computational Statistics and Data Analysis" 2011, nr 56.
• Główny Urząd Statystyczny, Aktywność ekonomiczna ludności Polski, IV kwartał 2012, Warszawa 2012.
• Harvey A.C., Forecasting, Structural Time Series Models and the Kalman Filter, Cambridge 1989.
• Kalman R.E., A new approach to linear filtering and prediction problems, "Journal of Basic Engi-neering" 1960, nr 82.
• Nissinen K., Small Area Estimation with Linear Mixed Models from Unit-Level Panel and Rotating Panel Data, Jyvaskyla 2009.
• Petris G., Petrone S., Campagnoli P., Dynamic Linear Models with R, Springer 2007.
• Pfeffermann D., Feder M., Signorelli D., Estimation of autocorrelations of survey errors with appli-cation to trend estimation in small areas, "Journal of the American Statistical Association" 1998, nr 3.
• Pfeffermann D., Tiller R., Small area estimation with state-space models subject to benchmark con-straints, "Journal of the American Statistical Association" 2006, nr 476.
• Rao J.N.K., Small Area Estimation, New Jersey 2003.
• Rao J.N.K., Yu M., Small area estimation by combining time series and cross-sectional data, "The Canadian Journal of Statistics" 1992, nr 4.
• Saei A., Chambers R., Small Area Estimation under Linear and Generlized Linear Mixed Models with Time and Area Effects, Southampton Statistical Sciences Research Institute, University of Southampton 2003.
• Scott A.J., Smith T.M.F., Analysis of repeated surveys using time series methods, "American Statistical Association" 1974, nr 347.