209. Küçük alan kestirimi: Fay-Herriot modeli ve EBLUP
Şablon kimliği: kucuk_alan · Kategori: anket · Dil: R · Dosya: pro/sablonlar/anket/kucuk_alan.R (satır 1–178; üstbilgi 1–71) · Örnek veri: _ornek/eusilc_fh.csv · Paketler: sae 1.3
209.1 Ne işe yarar
Anketler ulusal ya da bölgesel düzeyde tasarlanır; il ya da ilçe gibi küçük alanlarda örnek birim sayısı azdır ve alanın doğrudan (yalnız o alanın örneğine dayanan) kestirimi çok değişkendir. Şablon, her alan için doğrudan kestirimi, alan düzeyindeki yardımcı değişkenlerle (sayım ya da idari kayıtlardan bilinen alan ortalamaları) birleştirerek güçlendirir. Model Fay ve Herriot (1979) alan düzeyi modelidir:
- d=1,\dots,m: alan; \hat y_d: doğrudan anket kestirimi (alan ortalaması ya da oranı); \theta_d: alanın gerçek, bilinmeyen değeri.
- \mathbf x_d: alan düzeyi yardımcı değişkenler (sabit terim dahil); \boldsymbol\beta: bağlanım katsayıları.
- u_d: alana özgü rastgele etki, varyansı A (alanlar arası varyans); bilinmez ve kestirilir.
- e_d: örnekleme hatası, varyansı D_d; bilinen kabul edilir (anketten kestirilmiş örnekleme varyansı).
Kestirici EBLUP (deneysel en iyi doğrusal yansız yordayıcı), doğrudan kestirim ile bağlanım kestiriminin ağırlıklı ortalamasıdır:
- \gamma_d: büzülme ağırlığı. Doğrudan kestirimin varyansı D_d büyükse (az örnekli alan) \gamma_d küçülür ve kestirim bağlanım değerine "büzülür"; D_d küçükse doğrudan kestirime güvenilir.
- \hat A: alanlar arası varyans kestirimi; \hat{\boldsymbol\beta}: genelleştirilmiş en küçük kareler kestirimi (209.4).
Ne zaman kullanılır? Alan sayısı yeterince fazlaysa (en az yordayıcı sayısı + 5), her alanın doğrudan kestirimi ve onun örnekleme varyansı biliniyorsa ve alan düzeyinde hedefle ilişkili bir yardımcı değişken varsa.
Ne zaman kullanılmaz?
- Örnekleme varyansı bilinmiyorsa ya da kestirilmemişse (Fay-Herriot D_d'yi veri sayar): önce ağırlıklı kestirimi ve varyansını üretin (temel programdaki Weighted Mean (Survey Means)).
- Birim düzeyi veri ve birim düzeyi yardımcı değişkenler varsa (birim düzeyi model): bu şablonda yok; karma model için temel programdaki LMM (Linear Mixed Models) ya da MerQuR+'ta
glmer_ileri. - Eksik veriyi atamak için:
sicak_deste(Bölüm 211). - Ağırlıkları nüfus toplamlarına uydurmak için:
kalibrasyon_raking(Bölüm 208). - Alan etkisini rastgele değil sabit saymak istiyorsanız: yordayıcı olarak alan göstergesi eklemek m parametre ister; bu şablonda m\ge p+5 sınırı vardır.
Temel programla ilişki. Temel programda küçük alan kestirimi (Fay-Herriot, EBLUP, MSE) yoktur. En yakın analizler: Weighted Mean (Survey Means) alan (alt grup) bazında doğrudan kestirim ve Taylor SH'si verir (stats/survey_design.py, stats/survey_extras.py); yani bu şablonun girdisi olan \hat y_d ve D_d=\mathrm{SH}^2 temel programda üretilebilir. LMM rastgele etkili bağlanım uydurur ve REML kullanır, ancak D_d gibi bilinen hata varyansı almaz ve alan başına tek gözlem (doğrudan kestirim) için tasarlanmamıştır; Fay-Herriot, D_d bilinen ve A kestirilen özel bir karma modeldir. Bu nedenle LMM ile aynı sonuç elde edilmez.
209.2 Şablonun girdileri
Form, üstbilgideki dokuz [[param]] bloğundan kurulur (kucuk_alan.R:10–70).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Doğrudan kestirim · y |
sayısal sütun · Değişkenler | boş | sayısal | \hat y_d (97); varyans ile aynı sütun olamaz (77). |
Örnekleme varyansı / SH · varyans |
sayısal sütun · Değişkenler | boş | pozitif | D_d (98); \le 0 ise hata (100). |
Bu sütun · varyans_turu |
seçim · Seçenekler | varyans |
varyans, sh |
sh ise sütunun karesi alınır (99). |
Yardımcı değişkenler · x |
sütunlar · Değişkenler | boş (isteğe bağlı) | sayısal ya da kategorik | \mathbf x_d (78, 102–111); boşsa yalnız sabit terim. |
Alan kimliği · alan |
kategorik sütun · Değişkenler | boş (isteğe bağlı) | herhangi sütun | Alan etiketi (79, 162–163); boşsa 1…m. |
A kestirimi · yontem |
seçim · Model | REML |
REML, ML, FH |
mseFH(method =) (114–148). |
En çok yineleme · en_cok_yineleme |
tamsayı · Gelişmiş | 1000 | 10–100000 | MAXITER (114–148). |
Yakınsama duyarlığı · tolerans |
ondalık · Gelişmiş | 10^{-10} | 10^{-16}–0,01 | PRECISION (114–148). |
Güvenilirlik eşiği: CV (%) · cv_esik |
ondalık · Çıktı | 20 | 1–100 | Özet iletide eşiği aşan alan sayısı (168–169). |
Örnek ayar (ornek_param, satır 9): y = Mean, varyans = Var_Mean, varyans_turu = varyans, x = [cash, self_empl], alan = Domain, yontem = REML.
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde alan düzeyi veriyi açın." | 75 |
y ve varyans aynı sütun |
"Doğrudan kestirim ve varyans sütunları farklı olmalı." | 77 |
| m<p+5 | "Alan sayısı model için yetersiz (en az yordayıcı sayısı + 5)." | 83 |
| D\le 0 | "Örnekleme varyansları pozitif olmalı." | 87 |
y sabit |
"Doğrudan kestirimler sabit." | 88 |
| Kategorik yordayıcı tek düzeyli | "'…' tek düzeyli; yordayıcılardan çıkarın." | 94 |
| Sayısal yordayıcı sabit | "'…' sabit; yordayıcılardan çıkarın." | 95 |
| Eş doğrusallık | "Yordayıcılar doğrusal bağımlı (eş doğrusallık)." | 99 |
| Model kestirilemedi | "Fay-Herriot modeli kestirilemedi: …" (paket iletisi) | 102 |
209.3 Örnek veri
eusilc_fh.csv: Avusturya'nın 94 ilçesi (Domain), gelir ve yaşam koşulları anketi (EU-SILC) verisinden alan düzeyine indirilmiş (emdi paketi vinyeti; Kreutzmann ve ark., 2019). Eksik değer yok.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
Domain |
alan kimliği | kategorik | 94 ilçe |
Mean |
doğrudan kestirim | sayısal | ortalama gelir; 8817–78 548 (ortalama 18 884) |
Var_Mean |
örnekleme varyansı | sayısal | 2,70·10⁵–7,93·10⁷ (ortanca 1,89·10⁶) |
n |
alan örnek büyüklüğü | sayısal | 5–200 (şablonda kullanılmaz) |
cash |
yordayıcı | sayısal | nakit gelir ortalaması; 4096–23 720 |
self_empl |
yordayıcı | sayısal | serbest çalışma geliri; 0–20 392 |
unempl_ben |
(kullanılmıyor) | sayısal | işsizlik yardımı |
Kategorik yordayıcıda düzey sırası ilk görülme sırasıdır; ilk düzey başvurudur (örn. grup = cok, orta, az: başvuru cok; ku_kat). Metin ya da mantıksal sütun factor() ile alfabetik düzeylendirilir (104–106); yani iki ayrı tür aynı şablonda farklı sırayı doğurabilir.
Bölümde kullanılan çalıştırmalar (dogrulama/kucuk_alan/isler.py): ku_ornek (REML), ku_ml, ku_fh, ku_sh (SH sütunu), ku_xsiz (yalnız sabit terim), ku_tek_x, ku_uc_x, ku_kat (kategorik yordayıcı), ku_sifir_A* (benzetim: A = 0), ku_ml_sae_esigi ve ku_reml_sae_esigi (sae varsayılan eşiği 10^{-4}), ku_h_* (uç ve hata durumları). Şablon rastgele sayı üretmez; sonuç tohumdan bağımsızdır (Tohum alanı ortak bölüm 1.3'teki gibi yalnız künyeye yazılır).
209.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) A kestirilir; (2) A biliniyormuşçasına \boldsymbol\beta GLS ile bulunur; (3) EBLUP ve büzülme ağırlığı hesaplanır; (4) ortalama kare hatası (MSE) hesaplanır.
209.4.1 A'nın kestirimi
Üç yöntem vardır; hepsi V_d=A+D_d ve \hat{\boldsymbol\beta}(A)=\bigl(\sum V_d^{-1}\mathbf x_d\mathbf x_d^\top\bigr)^{-1}\sum V_d^{-1}\mathbf x_d\hat y_d üzerinden yürür.
- REML (varsayılan). Kısıtlı olabilirliğin skor denklemi sıfıra eşitlenir: -\tfrac12\operatorname{tr}\mathbf P+\tfrac12\,\hat{\mathbf y}^\top\mathbf P^2\hat{\mathbf y}=0, \mathbf P=\mathbf V^{-1}-\mathbf V^{-1}\mathbf X(\mathbf X^\top\mathbf V^{-1}\mathbf X)^{-1}\mathbf X^\top\mathbf V^{-1}.
- ML. Tam olabilirliğin skor denklemi: -\tfrac12\sum V_d^{-1}+\tfrac12\sum V_d^{-2}r_d^2=0, r_d=\hat y_d-\mathbf x_d^\top\hat{\boldsymbol\beta}.
- FH (momentler). \sum V_d^{-1}r_d^2=m-p (Fay ve Herriot, 1979).
Çözüm A<0 çıkarsa \hat A=0 alınır.
Neden REML varsayılan?
ML, \boldsymbol\beta'nın kestirimindeki serbestlik derecesi kaybını hesaba katmaz ve A'yı aşağı çeker; REML bunu düzeltir (Rao ve Molina, 2015). Küçük m'de fark belirgindir: örnek veride REML \hat A=1\,464\,702, ML 1\,371\,195, FH 1\,970\,958.
Koddaki tercih
sae::mseFH(formula, vardir, method, MAXITER, PRECISION, data) (114–148). Paket A'yı Fisher puanlama ile bulur: başlangıç A_0=\operatorname{ortanca}(D_d), durma ölçütü |A_{k+1}-A_k|/A_k< PRECISION. Şablon varsayılan eşiği 10^{-10} yapar (sae'de 10^{-4}): ku_ml_sae_esigi (10^{-4}) \hat A=1{,}37121\cdot10^{6} (5 yineleme), ku_ml (10^{-10}) 1{,}371195\cdot10^{6} verir; fark yaklaşık 15 birimdir.
Paket varsayılanı ile şablon tercihi farklı
Şablon PRECISION = 1e-10 ve MAXITER = 1000 kullanır; MAXITER ya da eşik sıkı seçilip yakınsama sağlanamazsa paket yalnız yakınsama bayrağı döndürür; şablon bu bayrağı okur ve çalıştırmayı durdurur (209.8).
209.4.2 \hat{\boldsymbol\beta}, EBLUP ve büzülme
\hat{\boldsymbol\beta}=\bigl(\mathbf X^\top\mathbf V^{-1}\mathbf X\bigr)^{-1}\mathbf X^\top\mathbf V^{-1}\hat{\mathbf y}, \operatorname{Var}(\hat{\boldsymbol\beta})=\bigl(\mathbf X^\top\mathbf V^{-1}\mathbf X\bigr)^{-1}; SH bunun köşegeninin karekökü, z=\hat\beta/\mathrm{SH}, p=2\{1-\Phi(|z|)\} (şablonun katsayı tablosu; 107–111). EBLUP yukarıdaki formüldür. Katsayı tablosundaki p değerleri A'nın kestirim belirsizliğini hesaba katmaz.
209.4.3 Ortalama kare hatası
Üç bileşen: g_{1d}=D_d(1-B_d) (örnekleme belirsizliği, B_d=D_d/(A+D_d)=1-\gamma_d), g_{2d}=B_d^2\,\mathbf x_d^\top\mathbf Q\mathbf x_d (\boldsymbol\beta belirsizliği, \mathbf Q=\operatorname{Var}\hat{\boldsymbol\beta}), g_{3d}=B_d^2\,\mathrm{Var}(\hat A)/(A+D_d) (A belirsizliği). Yöntemlere göre:
- \mathrm{Var}(\hat A)=2/\sum V_d^{-2} (REML, ML); FH'de 2m/(\sum V_d^{-1})^2.
- b: yanlılık düzeltmesi: ML'de -\operatorname{tr}\{\mathbf Q\,\mathbf X^\top\mathrm{diag}(V_d^{-2})\mathbf X\}/\sum V_d^{-2}; FH'de 2\bigl(m\sum V_d^{-2}-(\sum V_d^{-1})^2\bigr)/(\sum V_d^{-1})^3 (Datta ve ark., 2005). REML'de b=0 (Prasad ve Rao, 1990).
Neden g_3 iki kez?
\hat A kestiriminin belirsizliği EBLUP'a iki yoldan girer (ağırlığın ve bağlanım kestiriminin üzerinden); ikili katkı Prasad-Rao yaklaşımının sonucudur ve m büyükken ikinci derece terimdir.
Değişim katsayıları: doğrudan \mathrm{CV}=100\sqrt{D_d}/|\hat y_d|; EBLUP \mathrm{CV}=100\sqrt{\widehat{\mathrm{MSE}}_d}/|\tilde\theta_d| (162–163).
209.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 72–77 | .m; sae yüklenir; veri ve sütun denetimi. |
y ile varyans aynı olamaz. |
| 78–95 | Yordayıcı ve alan sütunları; complete.cases ile eksik satırlar çıkarılır. |
Çıkarılan alanlar adları ve satır numaralarıyla not olarak yazılır (81–87); yinelenen alan adı uyarılır (90–95). |
| 96–101 | m\ge p+5; D (\mathrm{SH} ise karesi); D>0; y sabit değil. | |
| 102–111 | Yordayıcılar: metin/mantıksal sütun factor olur (alfabetik), sabit sütun reddedilir. |
Kategorik düzeylerin sırası 209.3. |
| 112–113 | Model matrisi ve eş doğrusallık (qr). |
|
| 113–118 | mseFH çağrısı (uydur); uyarılar toplanır. |
Paket hatası ve yakınsama bayrağı ayrıca sınanır; hata fırlatılmaz, nesne olarak döner. |
| 119–148 | Yakınsama başarısızsa: ML/FH'de A=0 sınırı bağımsız sınanır, sınırdaysa REML uydurması kullanılır (121–136); değilse çalıştırma açık iletiyle durur (138–147). | Yakınsamamış sonuç hiçbir zaman "yakınsadı" gibi sunulmaz. |
| 149–155 | Uydurma sonucu; katsayı tablosu (\hat\beta, SH, z, p) ve ilk satır. | |
| 156–159 | Model uyumu: A, log-olabilirlik, AIC, BIC, yineleme. | Log-olabilirlik REML'de de tam olabilirliktir (B5). |
| 160–167 | Alan tablosu: doğrudan, D, EBLUP, MSE, iki CV, \gamma. | Doğrudan CV ortancası %100'ü aşarsa varyans türünü gözden geçirmeyi söyleyen uyarı yazılır (165–167). |
| 168–171 | CV eşiğini aşan alan sayısı (özet ileti); uyarı satırı. | |
| 172–177 | Alanlar D'ye göre büyükten küçüğe sıralanır; doğrudan (açık daire) ve EBLUP (dolu) grafiği. | Büzülmeyi gösterir. |
209.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesaplar dogrulama/kucuk_alan/elle_hesap.py (numpy/scipy; A kök bulma brentq ile, Fisher puanlama kullanılmadan; sae ve şablon çağrılmaz) ve r_dogrulama.R (yalnız temel R: optimize ve uniroot; REML için kısıtlı olabilirlik doğrudan en iyilenir) ile yapılmıştır.
Adım 1 — \hat A. REML: \hat A=1\,464\,702{,}0571; ML: 1\,371\,194{,}6961; FH: 1\,970\,958{,}1295. Üç hesapta (şablon, Python, R) aynıdır; ML değeri vinyetteki 1\,371\,195 ile uyuşur.
Adım 2 — \hat{\boldsymbol\beta} (REML). (3075{,}1785;\ 1{,}058246;\ 1{,}753231); SH (646{,}6495;\ 0{,}071538;\ 0{,}222141); z=(4{,}7556;\ 14{,}7927;\ 7{,}8924). ML için (3070{,}5123;\ 1{,}059385;\ 1{,}745636), SH (635{,}9429;\ 0{,}070490;\ 0{,}220174): vinyet 3070{,}51231, 1{,}05939, 1{,}74564 (SH 635{,}94290; 0{,}07049; 0{,}22017).
Adım 3 — İlk alan (Amstetten, REML). \hat y_1=14\,768{,}5693, D_1=926\,167{,}37, \mathbf x_1^\top\hat{\boldsymbol\beta}=13\,463{,}0962; \gamma_1=1\,464\,702/(1\,464\,702+926\,167)=0{,}612623; \tilde\theta_1=0{,}612623\cdot14\,768{,}5693+0{,}387377\cdot13\,463{,}0962=14\,262{,}8593.
Adım 4 — MSE (REML). g_1=567\,391{,}61; g_2=7407{,}42; \mathrm{Var}(\hat A)=1{,}9446\cdot10^{11}; g_3=12\,204{,}86; \widehat{\mathrm{MSE}}_1=567\,391{,}61+7407{,}42+2\cdot12\,204{,}86=599\,208{,}75; CV =100\sqrt{599\,208{,}75}/14\,262{,}86=5{,}427\,\%.
Adım 5 — Model uyumu. REML için tam log-olabilirlik -847{,}8506; \mathrm{AIC}=1703{,}701; \mathrm{BIC}=1713{,}874 (p+1=4 parametre). ML: -847{,}8303; 1703{,}661; 1713{,}834 (vinyet).
209.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| eusilc REML: A | 1,464702·106 | 1,464702·106 | 1,464702·106 | 1,7e−8 | ✓ |
| eusilc REML: katsayı 1 | 3075,17850499 | 3075,17850499 | 3075,17850377 | 4,0e−10 | ✓ |
| eusilc REML: SH 1 | 646,6495112 | 646,6495112 | 646,64950846 | 4,2e−9 | ✓ |
| eusilc REML: katsayı 2 | 1,05824597 | 1,05824597 | 1,05824597 | 2,8e−10 | ✓ |
| eusilc REML: SH 2 | 0,07153834 | 0,07153834 | 0,07153834 | 2,7e−10 | ✓ |
| eusilc REML: katsayı 3 | 1,75323074 | 1,75323074 | 1,75323074 | 1,1e−9 | ✓ |
| eusilc REML: SH 3 | 0,22214121 | 0,22214121 | 0,22214121 | 5,0e−10 | ✓ |
| eusilc REML: log-olabilirlik | −847,85056038 | −847,85056038 | −847,85056037 | 1,2e−11 | ✓ |
| eusilc REML: AIC | 1703,70112076 | 1703,70112076 | — | 7,1e−15 | ✓ |
| eusilc REML: BIC | 1713,87429989 | 1713,87429989 | — | 7,0e−15 | ✓ |
| eusilc REML: EBLUP (1. alan) | 14262,85931918 | 14262,85931917 | 14262,85931399 | 3,6e−10 | ✓ |
| eusilc REML: EBLUP (son alan) | 10405,97380198 | 10405,97380198 | 10405,97380053 | 1,4e−10 | ✓ |
| eusilc REML: MSE (1. alan) | 5,992087·105 | 5,992087·105 | 5,992087·105 | 5,5e−9 | ✓ |
| eusilc REML: MSE toplamı | 1,016413·108 | 1,016413·108 | 1,016413·108 | 7,9e−9 | ✓ |
| eusilc REML: büzülme γ (1. alan) | 0,61262319 | 0,61262319 | 0,61262319 | 3,9e−9 | ✓ |
| eusilc REML: CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc REML: CV EBLUP (ortalama) | 5,57733236 | 5,57733236 | — | 3,0e−12 | ✓ |
| eusilc ML: A | 1,371195·106 | 1,371195·106 | 1,371195·106 | 4,4e−8 | ✓ |
| eusilc ML: katsayı 1 | 3070,51230273 | 3070,51230273 | 3070,51230571 | 9,7e−10 | ✓ |
| eusilc ML: SH 1 | 635,94288273 | 635,94288273 | 635,9428897 | 1,1e−8 | ✓ |
| eusilc ML: katsayı 2 | 1,05938499 | 1,05938499 | 1,05938499 | 7,0e−10 | ✓ |
| eusilc ML: SH 2 | 0,07049025 | 0,07049025 | 0,07049025 | 6,8e−10 | ✓ |
| eusilc ML: katsayı 3 | 1,7456364 | 1,7456364 | 1,7456364 | 2,8e−9 | ✓ |
| eusilc ML: SH 3 | 0,22017393 | 0,22017393 | 0,22017393 | 1,3e−9 | ✓ |
| eusilc ML: log-olabilirlik | −847,83029263 | −847,83029263 | −847,83029263 | 5,4e−16 | ✓ |
| eusilc ML: AIC | 1703,66058526 | 1703,66058526 | — | 2,8e−15 | ✓ |
| eusilc ML: BIC | 1713,83376438 | 1713,83376438 | — | 2,9e−15 | ✓ |
| eusilc ML: EBLUP (1. alan) | 14242,04452834 | 14242,04452834 | 14242,04454226 | 9,8e−10 | ✓ |
| eusilc ML: EBLUP (son alan) | 10400,14853315 | 10400,14853315 | 10400,14853705 | 3,7e−10 | ✓ |
| eusilc ML: MSE (1. alan) | 5,990106·105 | 5,990106·105 | 5,990106·105 | 1,4e−8 | ✓ |
| eusilc ML: MSE toplamı | 1,010771·108 | 1,010771·108 | 1,010771·108 | 2,0e−8 | ✓ |
| eusilc ML: büzülme γ (1. alan) | 0,59685616 | 0,59685616 | 0,59685617 | 1,1e−8 | ✓ |
| eusilc ML: CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc ML: CV EBLUP (ortalama) | 5,56919922 | 5,56919922 | — | 8,6e−13 | ✓ |
| eusilc FH momentler: A | 1,970958·106 | 1,970958·106 | 1,970958·106 | 1,0e−11 | ✓ |
| eusilc FH momentler: katsayı 1 | 3101,65764393 | 3101,65764393 | 3101,65764393 | 4,3e−13 | ✓ |
| eusilc FH momentler: SH 1 | 700,51389307 | 700,51389307 | 700,51389307 | 2,9e−12 | ✓ |
| eusilc FH momentler: katsayı 2 | 1,05231884 | 1,05231884 | 1,05231884 | 2,4e−13 | ✓ |
| eusilc FH momentler: SH 2 | 0,07678841 | 0,07678841 | 0,07678841 | 1,9e−13 | ✓ |
| eusilc FH momentler: katsayı 3 | 1,79051964 | 1,79051964 | 1,79051964 | 8,0e−13 | ✓ |
| eusilc FH momentler: SH 3 | 0,23188983 | 0,23188983 | 0,23188983 | 3,6e−13 | ✓ |
| eusilc FH momentler: log-olabilirlik | −848,4937119 | −848,4937119 | −848,4937119 | 4,6e−14 | ✓ |
| eusilc FH momentler: AIC | 1704,9874238 | 1704,9874238 | — | 4,7e−14 | ✓ |
| eusilc FH momentler: BIC | 1715,16060293 | 1715,16060293 | — | 4,7e−14 | ✓ |
| eusilc FH momentler: EBLUP (1. alan) | 14352,35356317 | 14352,35356318 | 14352,35356318 | 2,1e−13 | ✓ |
| eusilc FH momentler: EBLUP (son alan) | 10430,99925568 | 10430,99925568 | 10430,99925568 | 8,1e−14 | ✓ |
| eusilc FH momentler: MSE (1. alan) | 6,569625·105 | 6,569625·105 | 6,569625·105 | 2,8e−12 | ✓ |
| eusilc FH momentler: MSE toplamı | 1,167235·108 | 1,167235·108 | 1,167235·108 | 4,6e−12 | ✓ |
| eusilc FH momentler: büzülme γ (1. alan) | 0,68031507 | 0,68031507 | 0,68031507 | 2,2e−12 | ✓ |
| eusilc FH momentler: CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc FH momentler: CV EBLUP (ortalama) | 5,97146401 | 5,97146401 | — | 2,2e−12 | ✓ |
| eusilc REML, yalnız sabit terim: A | 4,717019·107 | 4,717019·107 | 4,717019·107 | 1,5e−8 | ✓ |
| eusilc REML, yalnız sabit terim: katsayı 1 | 18306,63394038 | 18306,63394038 | 18306,63393582 | 2,5e−10 | ✓ |
| eusilc REML, yalnız sabit terim: SH 1 | 728,46452764 | 728,46452765 | 728,46452253 | 7,0e−9 | ✓ |
| eusilc REML, yalnız sabit terim: log-olabilirlik | −976,75533835 | −976,75533835 | −976,75533834 | 7,2e−12 | ✓ |
| eusilc REML, yalnız sabit terim: AIC | 1957,5106767 | 1957,5106767 | — | 5,2e−15 | ✓ |
| eusilc REML, yalnız sabit terim: BIC | 1962,59726627 | 1962,59726627 | — | 5,2e−15 | ✓ |
| eusilc REML, yalnız sabit terim: EBLUP (1. alan) | 14836,70006539 | 14836,70006539 | 14836,70006629 | 6,1e−11 | ✓ |
| eusilc REML, yalnız sabit terim: EBLUP (son alan) | 10670,71704869 | 10670,71704869 | 10670,717051 | 2,2e−10 | ✓ |
| eusilc REML, yalnız sabit terim: MSE (1. alan) | 9,093410·105 | 9,093410·105 | 9,093410·105 | 2,7e−10 | ✓ |
| eusilc REML, yalnız sabit terim: MSE toplamı | 2,425250·108 | 2,425250·108 | 2,425250·108 | 2,2e−9 | ✓ |
| eusilc REML, yalnız sabit terim: büzülme γ (1. alan) | 0,9807435 | 0,9807435 | 0,9807435 | 2,8e−10 | ✓ |
| eusilc REML, yalnız sabit terim: CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc REML, yalnız sabit terim: CV EBLUP (ortalama) | 8,22223887 | 8,22223887 | — | 2,7e−13 | ✓ |
| eusilc REML, tek yordayıcı (cash): A | 2,221611·106 | 2,221611·106 | — | 2,1e−11 | ✓ |
| eusilc REML, tek yordayıcı (cash): katsayı 1 | 992,42392242 | 992,42392241 | — | 9,7e−12 | ✓ |
| eusilc REML, tek yordayıcı (cash): SH 1 | 669,86410763 | 669,86410763 | — | 6,0e−12 | ✓ |
| eusilc REML, tek yordayıcı (cash): katsayı 2 | 1,4622581 | 1,4622581 | — | 7,1e−13 | ✓ |
| eusilc REML, tek yordayıcı (cash): SH 2 | 0,05793005 | 0,05793005 | — | 3,2e−13 | ✓ |
| eusilc REML, tek yordayıcı (cash): log-olabilirlik | −878,28811863 | −878,28811863 | — | 1,4e−14 | ✓ |
| eusilc REML, tek yordayıcı (cash): AIC | 1762,57623726 | 1762,57623726 | — | 1,6e−14 | ✓ |
| eusilc REML, tek yordayıcı (cash): BIC | 1770,2061216 | 1770,2061216 | — | 1,6e−14 | ✓ |
| eusilc REML, tek yordayıcı (cash): EBLUP (1. alan) | 14405,62369839 | 14405,6236984 | — | 3,6e−13 | ✓ |
| eusilc REML, tek yordayıcı (cash): EBLUP (son alan) | 10011,34910459 | 10011,3491046 | — | 5,8e−13 | ✓ |
| eusilc REML, tek yordayıcı (cash): MSE (1. alan) | 6,768314·105 | 6,768314·105 | — | 5,4e−12 | ✓ |
| eusilc REML, tek yordayıcı (cash): MSE toplamı | 1,012469·108 | 1,012469·108 | — | 1,0e−11 | ✓ |
| eusilc REML, tek yordayıcı (cash): büzülme γ (1. alan) | 0,70577112 | 0,70577112 | — | 4,4e−12 | ✓ |
| eusilc REML, tek yordayıcı (cash): CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc REML, tek yordayıcı (cash): CV EBLUP (ortalama) | 6,10513055 | 6,10513055 | — | 4,5e−12 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): A | 1,464702·106 | 1,464702·106 | — | 1,3e−11 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): katsayı 1 | 3075,17850499 | 3075,17850499 | — | 3,1e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): SH 1 | 646,6495112 | 646,6495112 | — | 3,2e−12 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): katsayı 2 | 1,05824597 | 1,05824597 | — | 2,3e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): SH 2 | 0,07153834 | 0,07153834 | — | 2,0e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): katsayı 3 | 1,75323074 | 1,75323074 | — | 8,6e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): SH 3 | 0,22214121 | 0,22214121 | — | 3,8e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): log-olabilirlik | −847,85056038 | −847,85056038 | — | 9,5e−15 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): AIC | 1703,70112076 | 1703,70112076 | — | 7,2e−15 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): BIC | 1713,87429989 | 1713,87429989 | — | 7,2e−15 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): EBLUP (1. alan) | 14262,85931918 | 14262,85931917 | — | 2,8e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): EBLUP (son alan) | 10405,97380198 | 10405,97380198 | — | 1,0e−13 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): MSE (1. alan) | 5,992087·105 | 5,992087·105 | — | 4,2e−12 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): MSE toplamı | 1,016413·108 | 1,016413·108 | — | 6,0e−12 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): büzülme γ (1. alan) | 0,61262319 | 0,61262319 | — | 3,0e−12 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc REML, SH sütunu (karesi alınır): CV EBLUP (ortalama) | 5,57733236 | 5,57733236 | — | 3,0e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): A | 2,230497·106 | 2,230497·106 | — | 9,4e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): katsayı 1 | 1381,05952976 | 1381,05952976 | — | 4,1e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): SH 1 | 868,68311246 | 868,68311246 | — | 2,7e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): katsayı 2 | 1,4596834 | 1,4596834 | — | 3,9e−13 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): SH 2 | 0,06416182 | 0,06416182 | — | 1,5e−13 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): log-olabilirlik | −876,66494791 | −876,66494791 | — | 1,3e−14 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): AIC | 1763,32989582 | 1763,32989582 | — | 1,2e−14 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): BIC | 1776,04636973 | 1776,04636973 | — | 1,2e−14 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): EBLUP (1. alan) | 14514,19167848 | 14514,19167848 | — | 9,9e−14 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): EBLUP (son alan) | 10050,12212424 | 10050,12212424 | — | 2,6e−13 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): MSE (1. alan) | 6,874885·105 | 6,874885·105 | — | 2,3e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): MSE toplamı | 1,036021·108 | 1,036021·108 | — | 4,4e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): büzülme γ (1. alan) | 0,70659937 | 0,70659937 | — | 1,9e−12 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): CV doğrudan (ortalama) | 8,4478157 | 8,4478157 | — | 0 | ✓ |
| eusilc REML, kategorik yordayıcı (cash + grup): CV EBLUP (ortalama) | 6,1656846 | 6,1656846 | — | 1,9e−12 | ✓ |
| simülasyon: A = 0 (REML): A | 0 | 0 | 0 | 0 | ✓ |
| simülasyon: A = 0 (REML): katsayı 1 | 49,78424881 | 49,78424881 | 49,78424881 | 1,0e−15 | ✓ |
| simülasyon: A = 0 (REML): SH 1 | 0,62712463 | 0,62712463 | 0,62712463 | 2,2e−16 | ✓ |
| simülasyon: A = 0 (REML): katsayı 2 | 1,89768947 | 1,89768947 | 1,89768947 | 5,3e−15 | ✓ |
| simülasyon: A = 0 (REML): SH 2 | 0,63069521 | 0,63069521 | 0,63069521 | 1,1e−16 | ✓ |
| simülasyon: A = 0 (REML): log-olabilirlik | −66,6892939 | −66,6892939 | −66,6892939 | 2,1e−16 | ✓ |
| simülasyon: A = 0 (REML): AIC | 139,3785878 | 139,3785878 | — | 1,2e−15 | ✓ |
| simülasyon: A = 0 (REML): BIC | 143,58217995 | 143,58217995 | — | 2,0e−15 | ✓ |
| simülasyon: A = 0 (REML): EBLUP (1. alan) | 47,33733243 | 47,33733243 | 47,33733243 | 0 | ✓ |
| simülasyon: A = 0 (REML): EBLUP (son alan) | 51,00240676 | 51,00240676 | 51,00240676 | 5,6e−16 | ✓ |
| simülasyon: A = 0 (REML): MSE (1. alan) | 1,30602964 | 1,30602964 | 1,30602964 | 1,7e−15 | ✓ |
| simülasyon: A = 0 (REML): MSE toplamı | 54,2512779 | 54,2512779 | 54,2512779 | 2,6e−16 | ✓ |
| simülasyon: A = 0 (REML): büzülme γ (1. alan) | 0 | 0 | 0 | 0 | ✓ |
| simülasyon: A = 0 (REML): CV doğrudan (ortalama) | 7,54070598 | 7,54070598 | — | 1,2e−16 | ✓ |
| simülasyon: A = 0 (REML): CV EBLUP (ortalama) | 2,65912062 | 2,65912062 | — | 3,3e−16 | ✓ |
| yayımlanmış: ML A (vinyet 1371195) | 1,371195·106 | 1,371195·106 | — | 2,2e−7 | ✓ |
| yayımlanmış: ML (Intercept) (3070,51231) | 3070,51230273 | 3070,51231 | — | 2,4e−9 | ✓ |
| yayımlanmış: ML cash (1,05939) | 1,05938499 | 1,05939 | — | 4,7e−6 | ✓ |
| yayımlanmış: ML self_empl SH (0,22017) | 0,22017393 | 0,22017 | — | 3,9e−6 | ✓ |
| yayımlanmış: ML log-olabilirlik (−847,8303) | −847,83029263 | −847,8303 | — | 8,7e−9 | ✓ |
| yayımlanmış: ML AIC (1703,661) | 1703,66058526 | 1703,661 | — | 2,4e−7 | ✓ |
| yayımlanmış: ML BIC (1713,834) | 1713,83376438 | 1713,834 | — | 1,4e−7 | ✓ |
Ölçütü karşılayan: 133/133. Bağımsız kolda A, Fisher puanlama yerine kök bulma (brentq; R kolunda optimize/uniroot) ile kestirildi; MSE formülleri Prasad-Rao, Datta-Lahiri ve Datta ve ark. açık formülleridir. Ölçüt 10⁻⁶: şablonun yineleme eşiği (bağıl değişim 10⁻¹⁰) A'yı yaklaşık 10⁻⁸ göreli duyarlıkla bırakır. Şablonun kullandığı eşik 10⁻¹⁰'dur (sae varsayılanı 10⁻⁴: 209.8).
Ek denetimler: A = 0 olan benzetim verisinde (30 alan) REML üç hesapta \hat A=0, katsayılar (49{,}7842;\ 1{,}8977) ve \gamma_d=0 (EBLUP = bağlanım kestirimi). ML ve FH'de paketin yinelemesi bu sınırda ilerleyemez; şablon sınırı bağımsız sınar (ML için \sum r_i^2/D_i^2\le\sum 1/D_i; FH için \sum r_i^2/D_i\le m-p, r ağırlığı 1/D olan GLS artığı) ve sınırdaysa A=0 sınırında REML uydurmasını kullanır: katsayılar, SH, EBLUP ve log-olabilirlik aynıdır, MSE Prasad-Rao kestiricisiyle verilir (209.8).
209.7 Çıktıyı okuma
m = 94 alan; yöntem: REML; A = 1,4647e+06 (11 yineleme)
Ortalama CV: doğrudan %8,45, EBLUP %5,58; CV > %20 olan alan: doğrudan 1, EBLUP 0.
-- Regresyon katsayıları (GLS)
terim kestirim SH z p
(Intercept) 3075.178505 646.649511 4.7556 1.98e-06
cash 1.058246 0.071538 14.7927 1.63e-49
self_empl 1.753231 0.222141 7.8924 2.96e-15
-- Model uyumu
alan varyansı A 1.464702e+06 | log-olabilirlik -847.8506 | AIC 1703.701 | BIC 1713.874 | yineleme 11
-- Alan kestirimleri (MSE: Prasad-Rao)
alan dogrudan varyans_D EBLUP MSE CV_dogr CV_EBLUP buzulme_gamma
Amstetten 14768.569 9.2617e+05 14262.859 5.9921e+05 6.516 5.427 0.6126
Baden 21995.725 4.4653e+05 21636.137 3.5606e+05 3.038 2.758 0.7664
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| İlk satır | Alan sayısı, yöntem, \hat A ve yineleme. | \hat A=0 ise alan etkisi yoktur; EBLUP bağlanım kestirimine eşit olur. |
| Katsayı tablosu | GLS katsayıları, SH, z, p. | Yordayıcının alanlar arası gelir farkını açıklayıp açıklamadığı. |
| Model uyumu | \hat A, log-olabilirlik, AIC, BIC. | Yalnız aynı yöntemli modelleri karşılaştırın (B5). |
| Alan tablosu | Doğrudan, EBLUP, MSE, iki CV, \gamma. | \gamma küçük alan çok büzülmüştür (Eisenstadt: \gamma=0{,}018, doğrudan 78 548 → EBLUP 51 707); \gamma büyük alan doğrudan kestirime yakındır (Landeck: 0,844). |
| Şekil | Doğrudan ve EBLUP, D büyükten küçüğe. | Soldaki (yüksek D) alanlarda EBLUP ile doğrudan farkı büyüktür. |
Şekil 209.1. Doğrudan kestirimler ve EBLUP'lar (REML; alanlar örnekleme varyansına göre sıralı).

Kesinlik kazancı: ortalama CV doğrudan %8,45, EBLUP %5,58; CV > %20 olan tek alan (Gmünd, %20,05) EBLUP'da %10,05'e iner. Yöntemlerin karşılaştırması: REML \hat A=1{,}4647\cdot10^6; ML 1{,}3712\cdot10^6; FH 1{,}9710\cdot10^6; yalnız sabit terimli modelde 4{,}717\cdot10^{7} (yordayıcılar \hat A'yı yaklaşık otuz iki kat azaltır); bu modelde EBLUP CV'si ortalama %8,22'dir.
Avusturya ilçeleri için Fay-Herriot modeli (REML) ile alanlar arası varyans \hat A=1{,}46\cdot10^{6} bulundu; EBLUP, doğrudan kestirimin ortalama değişim katsayısını %8,45'ten %5,58'e düşürdü ve CV'si %20'yi aşan alan kalmadı.
209.8 Sık hatalar ve tuzaklar
- Yakınsama.
en_cok_yineleme = 10ve 10^{-16} eşiğiyle paket yakınsamaz; şablon "A kestirimi 10 yinelemede yakınsamadı; yakınsamamış sonuçlar yanıltıcı olacağından çalıştırma durduruldu" iletisiyle durur (ku_h_yineleme10). Eşiği gevşetin ya da yineleme sayısını artırın. - A = 0 sınırı. Doğrudan kestirimlerin değişkenliği örnekleme varyansından küçükse \hat A=0 olur. REML bunu 55 yinelemede aşar. ML (pakette "missing value where TRUE/FALSE needed") ve FH (yakınsamaz) bu sınırda ilerleyemez; şablon sınırı kendisi sınar ve "Not: A kestirimi 0 sınırında (alan etkisi yok; EBLUP = bağlanım kestirimi, γ = 0)" notuyla A=0'daki REML uydurmasını verir (
ku_sifir_A_ml,ku_sifir_A_fh); ilk satırda yöntemREMLyazılır ve MSE Prasad-Rao'dur. Sınır dışı bir yakınsama sorununda bu geçiş yapılmaz, çalıştırma durur. - SH ile varyans karışması.
varyans_turuyanlışsa model çalışır ama sonuç anlamsızdır (ku_h_sh_yanlis: \hat A=0, CV %14 147); doğrudan CV ortancası %100'ü aştığında şablon "varyans sütununun türünü doğru seçtiğinizden emin olun" uyarısı yazar. Sütunun karesini alıp almadığını kontrol edin; \sqrt{D_d}/|y_d| makul bir yüzde olmalıdır. - Eksik alanlar çıkarılır.
ku_h_eksik: m=94\to90; şablon "Not: eksik değeri olan 4 alan çıkarıldı, m = 90 alan kaldı" iletisine alanların adlarını ve satır numaralarını yazar. Yinelenen alan adı kabul edilir ama "Uyarı: … yinelenen alan adları var" ile bildirilir (ku_h_yinelenen_alan). - Kategorik yordayıcının sırası. Veri sekmesinin ilk görülme sırasıyla başvuru düzeyi belirlenir (
ku_kat: başvurucok; katsayılargruporta,grupaz); metin sütununda alfabetik sıra geçerlidir. Katsayılar başvuruya bağlıdır; EBLUP bağlı değildir. - Gereksiz yordayıcı.
unempl_beneklenince \hat A 1,4647·10⁶'dan 1,4441·10⁶'ya (ku_uc_x) iner; kazanç küçüktür. Alan sayısı azsa fazla yordayıcı \hat A'yı kestirilemez kılar (m\ge p+5 sınırı). - p değerleri. Katsayı p değerleri \hat A belirsizliğini yok sayar; küçük m'de iyimser olabilir.
- Doğrudan kestirimin ölçeği. Gelir gibi çarpık değişkenlerde log ölçekte kestirim ve geri dönüşüm gerekebilir; şablon dönüşüm yapmaz.
209.9 Uzman soruları
S1. REML, ML ve FH ne zaman farklı sonuç verir?
m küçükken ve yordayıcı sayısı fazlayken. ML, serbestlik derecesi kaybını yok sayar ve A'yı aşağı çeker (örnek veride ML 1{,}371\cdot10^6, REML 1{,}465\cdot10^6); FH momentler yöntemi D_d'lerin eşit olmadığı durumda en değişken A kestirimini verir (1{,}971\cdot10^6). Büyük m'de üçü yakınsar. Şablon varsayılanı REML'dir (114–148).
S2. Neden D_d bilinen sayılıyor, bu gerçekçi mi?
Hayır, yaklaşıktır: D_d de örnekten kestirilir ve küçük örneklerde yanlı ve değişkendir. Model bunu hata yapmayan sabit sayar; bu yüzden MSE olduğundan küçük çıkabilir. Düzeltmek için D_d'yi düzgünleştirme (genelleştirilmiş varyans işlevi) önerilir; şablonda yoktur.
S3. Neden bazı alanlarda EBLUP doğrudan kestirimden çok uzaklaşıyor?
\gamma_d küçükse. \gamma_d=A/(A+D_d); D_d ne kadar büyükse EBLUP o kadar bağlanım değerine çekilir (Eisenstadt: D=7{,}93\cdot10^7, \gamma=0{,}018). Büzülme küçük örnekli alanlar için istenen etkidir; ama bağlanım yanlış belirtilmişse bu alanlar sistematik olarak yanlış çekilir.
S4. Şablon `PRECISION = 1e-10` kullanıyor; sae varsayılanı neden değil?
Fisher puanlama durma ölçütü bağıl değişimdir; 10^{-4}'te dururken ML'de A yaklaşık 15 birim (6 anlamlı hanede) yanlı kalır ve vinyet değerleri 4. hanede örtüşmez (209.4.1). Şablon vinyet değerlerinin tam yeniden üretilmesi için 10^{-10} seçmiştir; bu bağıl ölçütle \hat A yaklaşık 10^{-8} göreli duyarlıkla bulunur (bağımsız kök bulmayla 1{,}7\cdot10^{-8} fark).
S5. Doğrudan kestirimleri zaten ağırlıklı yapmışsam model neye ekleniyor?
Model alanlar arası bilgiyi ("ödünç alma") ekler: aynı yordayıcılara sahip alanlar benzer değerlere sahiptir. Az örnekli alanın doğrudan kestirimi tek başına çok değişkendir; EBLUP bu değişkenliği bağlanım bilgisiyle azaltır. Kazanç A'nın küçüklüğüne ve yordayıcının gücüne bağlıdır (yalnız sabit terimde EBLUP CV'si %8,22, iki yordayıcıyla %5,58).
S6. MSE neden doğrudan kestirimin varyansından küçüktür?
g_1=D_d(1-B_d)=\gamma_dD_d<D_d; g_2 ve g_3 eklenince bile toplam çoğu alanda D_d'den küçüktür (Amstetten: D=926\,167, MSE =599\,209). A çok küçükse g_3 önem kazanır; m küçükken MSE kestirimi de A'nın belirsizliği yüzünden değişkendir.
S7. Alan etiketi boş bırakılırsa ne olur?
Alan tablosu 1…m numarasıyla yazılır (162); sonuç hiçbir şekilde değişmez. Veri eksik satır eliyorsa bu numaralar Veri sekmesindeki satır numaralarıyla örtüşmez (eksik alanlar çıktıdaki notta satır numarasıyla bildirilir); bu yüzden etiketi her zaman verin.
209.10 Kaynaklar
Datta, G. S., Rao, J. N. K., & Smith, D. D. (2005). On measuring the variability of small area estimators under a basic area level model. Biometrika, 92(1), 183–196. https://doi.org/10.1093/biomet/92.1.183
Fay, R. E., & Herriot, R. A. (1979). Estimates of income for small places: An application of James-Stein procedures to census data. Journal of the American Statistical Association, 74(366), 269–277. https://doi.org/10.1080/01621459.1979.10482505
Kreutzmann, A.-K., Pannier, S., Rojas-Perilla, N., Schmid, T., Templ, M., & Tzavidis, N. (2019). The R package emdi for estimating and mapping regionally disaggregated indicators. Journal of Statistical Software, 91(7). https://doi.org/10.18637/jss.v091.i07
Molina, I., & Marhuenda, Y. (2015). sae: An R package for small area estimation. The R Journal, 7(1), 81–98. https://doi.org/10.32614/RJ-2015-007
Prasad, N. G. N., & Rao, J. N. K. (1990). The estimation of the mean squared error of small-area estimators. Journal of the American Statistical Association, 85(409), 163–171. https://doi.org/10.1080/01621459.1990.10475320
Rao, J. N. K., & Molina, I. (2015). Small area estimation (2nd ed.). Wiley. https://doi.org/10.1002/9781118735855