Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
(1)
i. es la variable de interés;
ii.
es un vector (renglón) de variables auxiliares (explicativas) cuyos valores son conocidos para cada unidad de muestreo (elemento de la población);
iv. es el producto que absorbe lo no explicado de por parte de las variables auxiliares .
v. A
2 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
; ; ; ;
4 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
5 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
sea mínimo.
6 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
Derivada:
. (2)
Solución:
7 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
8 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
9 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
. (3)
10 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
11 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
donde
(valor conocido)
12 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
entonces
13 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
donde
14 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
Proposición 1
Si ( es un vector de constantes y conforme con
)y , entonces
i. (no importan las propiedades de , siempre se obtiene );
ii. ( );
iii. .
15 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
Ejemplo 1
(Estimador de Horvitz-Thompson) Consideremos un
16 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
17 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
Ejemplo 2
Consideremos un diseño de muestreo con
probabilidades de inclusión de primer orden .
Además, consideremos el modelo
18 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
.
Aquí , , . Ahora si hacemos , y
entonces
. Lo cual nos permite nuevamente usar la Proposición 1
y obtener:
;
19 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
21 de 22
1. Estimacion para modelos lineales ((C) J. Elías Rodríguez M.)
22 de 22
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
1 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
donde
Si hacemos
y
,
entonces
y
.
2 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
3 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
2. Calcular la varianza de , ;
3. Proponer como estimador de la a un
estimador (¿insesgado?) de ; esto es
.
4 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
5 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
6 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
7 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
8 de 9
1.2 Varianza del estimador de regresión lineal ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-2.htm
9 de 9
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
1 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
2 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
[Gráfica 1, aquí]
Grafica 1. Una posible distribución para el modelo (1)
3 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
sea mínimo.
o bien maximizar
4 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
. (2)
Si
es la función de distribución logística, entonces
maximizar (2) es equivalente a resolver las siguientes
ecuaciones: .
5 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
, obtenemos que
donde
es el vector de parámetros que resuelve la ecuaciones:
6 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
7 de 8
1.3 Estimador de Regresión Logística ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap1-3.htm
independientes
y se utilizan los estimadores de máxima verosimilitud
para
. Precisamente, la ventaja de no suponer lo anterior es
que no se tiene que justificar ni verificar la distribución
que se le pueda asociar a la característica de interés.
8 de 8
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
1 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
(1)
2 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
(2)
3 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
(3)
(4)
tales que
5 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
Su respectiva varianza es
6 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
.(5)
(6)
7 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
8 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
de total es:
(7)
9 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
Observemos que
es como la varianza del muestreo de conglomerados
(¡uuuh no!, que recuerden los que tienen buena
10 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
memoria).
(8)
11 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
(9)
12 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
Su valor esperado es
14 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
15 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
16 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
17 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
(10)
donde
,
es reemplazando por y
18 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
1.
Si conocemos o es factible calcular las probabilidades
de inclusión de primer y segundo orden, podemos
utilizar el estimador en (3). En esta recapitulación,
llamémosle a este estimador el “estimador insesgado
natural” de la varianza. Si adicionalmente el diseño de
muestreo genera muestras de tamaño fijo, recordemos
19 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
2.
En el muestreo en varias etapas, aparte del estimador
insesgado natural de la varianza, tenemos al estimador
(9). Este estimador sólo usa la información de la muestra
20 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
3.
Muchos practicantes del análisis de encuestas no se
complican tanto la vida y prefieren utilizar el estimador
por conglomerados últimos (6). Y no se dificultan la vida
porque en la estimación no se ocupan de las
probabilidades de inclusión de segundo orden (las
famosas
21 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
4.
Si observamos los anteriores estimadores, estos tienen
que ver con varianzas de estimadores de totales
individuales. Sin embargo si el parámetro poblacional
de interés lo podemos expresar explícitamente como
22 de 23
2.1 Los métodos ya conocidos ((c) J. Elías Rodríguez M.) file:///K:/Cursos/MuestreoIIInegi/Cap2-1.htm
5.
Nuevos métodos de estimación de la varianza se verán
en la siguiente sección (¡chan chan chan channn!)
23 de 23
2.2 Jackknife ((c) J. Elías Rodríguez M.)
2.2 Jackknife
1 de 6
2.2 Jackknife ((c) J. Elías Rodríguez M.)
.
(1)
Observemos que
2 de 6
2.2 Jackknife ((c) J. Elías Rodríguez M.)
3 de 6
2.2 Jackknife ((c) J. Elías Rodríguez M.)
4 de 6
2.2 Jackknife ((c) J. Elías Rodríguez M.)
5 de 6
2.2 Jackknife ((c) J. Elías Rodríguez M.)
donde ,
y es el
-ésimo subconjunto en un orden lexicográfico de las
combinaciones (what?).
6 de 6