Muestreo de la encuesta de población finita: una perspectiva bayesiana sin excusas

Área de la Ciencia:

• Las estadísticas
• Inferencia estadística
• Estadísticas computacionales

Sus antecedentes:

• El muestreo de población finita a menudo asume unidades independientes, lo cual es poco realista en muchos escenarios complejos.
• Los modelos jerárquicos bayesianos ofrecen un marco flexible para incorporar información previa y estructuras de datos complejas.
• Los métodos existentes pueden no abordar adecuadamente las dependencias entre las unidades de población.

Objetivo del estudio:

• Proporcionar perspectivas sobre la inferencia bayesiana para cantidades de población finitas con dependencias complejas.
• Extender los marcos inferenciales para acomodar las unidades dependientes y las respuestas no ignorables.
• Para ilustrar las aplicaciones utilizando modelos gráficos y procesos espaciales.

Principales métodos:

• Visión general de los modelos jerárquicos bayesianos, incluidos los que producen estimadores de Horvitz-Thompson.
• Introducción de marcos para mecanismos de respuesta ignorables y no ignorables en poblaciones finitas dependientes.
• Aplicación de dependencias multivariadas utilizando modelos gráficos y procesos espaciales.

Principales resultados:

• Demostración de marcos inferenciales para dependencias complejas en poblaciones finitas.
• Presentación de metodologías para el manejo de respuestas ignorables y no ignorables.
• Análisis ilustrativos de poblaciones espaciales finitas que muestran los métodos discutidos.

Conclusiones:

• La inferencia bayesiana proporciona un enfoque robusto para poblaciones finitas con dependencias complejas.
• Los marcos propuestos mejoran la capacidad de modelar y analizar estructuras de datos dependientes.
• Los modelos gráficos y los procesos espaciales son herramientas valiosas para comprender las dependencias multivariadas.