Estimación de varianza basada en aprendizaje automático bajo muestreo en dos fases utilizando datos del sector de...

Área de la Ciencia:

• Estadística
• Metodología de Encuestas

Sus antecedentes:

• La estimación precisa de la varianza es crucial para una inferencia estadística fiable.
• Los métodos tradicionales pueden carecer de eficiencia cuando la información auxiliar es limitada.
• El muestreo en dos fases ofrece un marco para incorporar datos auxiliares.

Objetivo del estudio:

• Proponer un novedoso estimador de varianza para el muestreo en dos fases.
• Mejorar la eficiencia de la estimación utilizando una variable auxiliar y un atributo binario.
• Demostrar la superioridad analítica y empírica del estimador propuesto.

Principales métodos:

• Desarrollo de un novedoso estimador de varianza que incorpora información auxiliar.
• Derivación de propiedades teóricas, incluido el sesgo y el error cuadrático medio (MSE).
• Realización de estudios de simulación utilizando conjuntos de datos de salud y educación.
• Entrenamiento y evaluación de clasificadores de aprendizaje automático (Árbol de Regresión, Random Forest, Regresión de Vectores de Soporte).

Principales resultados:

• El estimador propuesto demostró superioridad analítica con fórmulas probadas de sesgo y MSE.
• Los resultados de la simulación mostraron valores de MSE consistentemente más bajos en comparación con los estimadores clásicos y competitivos.
• Los modelos de aprendizaje automático mostraron un buen poder predictivo, pero el estimador propuesto ofreció una mejor interpretabilidad.
• Se identificó la distribución de Weibull de tres parámetros como la más adecuada para el análisis.

Conclusiones:

• El novedoso estimador de varianza mejora la precisión de la estimación en el muestreo en dos fases.
• La información auxiliar mínima, el muestreo estructurado y el modelado híbrido mejoran la estimación de la varianza.
• El estimador propuesto proporciona un enfoque teóricamente sólido y empíricamente validado para estudios aplicados.