Robust Estimation of Small Area Poverty Measures

Small area estimators of poverty indicators have been extensively studied in the literature in recent years (see, e.g., Molina and Rao, 2010). Existing model-based estimators are efficient under standard normality assumptions on the assumed nested error models, but are generally sensitive to outliers or other deviations from the underlying assumptions. In this talk, we will present and explore some robust methods for estimating poverty measures by extending the robust method of Sinha and Rao (2009) for small area means. These methods may be used to bound the influence of potential outliers when predicting the small area poverty measures. Empirical properties of the proposed estimators will be investigated using Monte Carlo simulations.

Estimation robuste des mesures de la pauvreté dans les petits domaines

Les estimateurs des indicateurs de pauvreté pour les petits domaines ont été largement étudiés dans la littérature ces dernières années (voir, par exemple, Molina et Rao, 2010). Les estimateurs existants basés sur des modèles sont efficaces sous des hypothèses de normalité standard sur les modèles d'erreur imbriqués supposés, mais sont généralement sensibles aux valeurs aberrantes ou à d'autres écarts par rapport aux hypothèses sous-jacentes. Dans cet exposé, nous présenterons et explorerons quelques méthodes robustes pour l'estimation des mesures de pauvreté en étendant la méthode robuste de Sinha et Rao (2009) pour les moyennes de petits domaines. Ces méthodes peuvent être utilisées pour limiter l'influence des valeurs aberrantes potentielles lors de la prédiction des mesures de la pauvreté dans les petits domaines. Les propriétés empiriques des estimateurs proposés seront étudiées à l'aide de simulations de Monte-Carlo.

Session

Progrès dans les méthodes et les applications de l’estimation sur les petits domaines

Date and Time