Conferencia de la Dra. Carolina Franco

Título: Cómo mejorar las estimaciones en áreas pequeñas usando información temporal: estimación de ingresos del hogar y de medidas de pobreza en EEUU
Ponente: Carolina Franco
Fecha: 07/11/2014   12:00h
Lugar: Sala de Seminarios, Edificio Torretamarit
Resumen:
La estimación en áreas pequeñas busca mejorar las estimaciones de las encuestas usando información de otras áreas o de relaciones entre variables. Para las encuestas repetidas, también se puede ampliar la información tomando datos del pasado. Surgen algunas preguntas: ¿En qué circunstancias la información temporal mejora las estimaciones? ¿Cuántos instantes temporales deben incorporarse al modelo? ¿Se pueden resumir los datos del pasado para su uso en un modelo, por ejemplo a través de un promedio de estimaciones de encuestas anteriores? La conferencia muestra que las respuestas a estas preguntas dependen de los parámetros fundamentales de los modelos asumidos. También aborda su aplicación a la estimación de la renta del hogar y de indicadores de pobreza en el marco del proyecto SAIPE. Este proyecto proporciona estimaciones de las tasas de niños en edad escolar en situación de pobreza para los condados de EE.UU.
Breve Bio:
Carolina Franco es una investigadora en estadística matemática que trabaja en el Centro de Investigación Estadística y Metodología de la Oficina del Censo de los Estados Unidos. Allí está involucrada en proyectos destinados a mejorar los procedimientos de inferencia estadística en la Oficina del Censo. En los últimos tiempos ha trabajado en la estimación de tasas de pobreza infantil y en el desarrollo de mediadas de incertidumbre para la “American Community Survey (ACS)”, entre otros proyectos. Sus intereses de investigación incluyen las estadísticas de encuestas, la estimación en áreas pequeñas, la teoría estadística asintótica y la estadística semi-paramétrica.Title: On borrowing information over time in small area estimation, with application to small area income and poverty estimates (SAIPE)
Speaker: Carolina Franco
Date: 07/11/2014   12:00h
Location: Sala de Seminarios, Edificio Torretamarit
Abstract:
Small area estimation typically seeks to improve direct survey estimates by borrowing information across areas or from covariate data. For repeated surveys, one can also consider borrowing information over time, i.e., from past survey estimates. Some questions arise: Under what circumstances does borrowing information over time yield significant benefits? How much past data should be incorporated into the model? Can past data be summarized for use in a model, say via an average of some number of previous survey estimates? We examine how the answers to these questions will depend on the underlying parameters of assumed models, and address them for application to the U.S. Census Bureau’s Small Area Income and Poverty Estimates (SAIPE) Program. Our motivation is to provide estimates of rates of school-aged children in poverty for U.S. counties by modeling data from the Census Bureau’s American Community Survey (ACS).The primary data source for area-level SAIPE models is estimates based on yearly data from the ACS. As ACS also produces estimates based on five years of data-collection, it is natural to consider borrowing strength from past estimates by using several individual past year estimates or the most recent previous five year estimates. The former lends itself to treatment based on time series small area models, and the latter is a logical setting for application of bivariate models. These approaches are contrasted. Moreover, we characterize under what settings we may expect significant benefits from borrowing strength from past estimates through either of these approaches.
Brief Bio:
Carolina Franco is a Research Mathematical Statistician at the Center for Statistical Research and Methodology, U.S. Census Bureau. There she is involved with projects aimed to improve inference at the Census Bureau, particularly for estimates of school-aged children in poverty and measures of uncertainty for the American Community Survey (ACS), among other projects. Her research interests include survey statistics, small area estimation, asymptotic statistics theory, and semiparametric statistics.