Benchmarking Hierarchical Bayes Small Area Estimator (Studi Kasus: Estimasi Persentase Penduduk Miskin Level Kecamatan di Provinsi Jawa Tengah)

Budiatmodjo, Eko (2021) Benchmarking Hierarchical Bayes Small Area Estimator (Studi Kasus: Estimasi Persentase Penduduk Miskin Level Kecamatan di Provinsi Jawa Tengah). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211950017009-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (2MB) | Request a copy

Abstract

Ketersediaan data yang akurat merupakan aspek penting untuk mendukung pembangunan. Badan Pusat Statistik (BPS) belum dapat menghitung beberapa indikator penting hingga daerah kecil, seperti kecamatan, karena sampel dalam survei tidak representatif. Small Area Estimation (SAE) adalah metode yang digunakan untuk memperkirakan area kecil dengan sedikit atau tanpa sampel. Masalah muncul ketika penduga yang dihasilkan ketika diagregasikan tidak sesuai dengan statistik resmi yang dipublikasikan untuk level di atasnya. SAE sering kali melibatkan pembuatan prediksi dengan model estimasi yang diikuti dengan langkah benchmarking. Prediksi dimodifikasi sehingga jumlah tertimbang memenuhi benchmark. Studi ini menggunakan model level area dengan metode Hierarchical Bayes (HB) untuk memperkirakan area tersampel maupun yang tidak. Rata-rata posterior dan varian posterior parameter diperoleh dengan menggunakan metode Markov Chain Monte Carlo (MCMC) algoritma Gibbs Sampling. Penduga HB (rata-rata posterior) dimodifikasi dengan ratio benchmark untuk mendapatkan penduga Ratio Benchmarked HB (RBHB). Posterior Mean Squared Error (PMSE) kemudian digunakan sebagai ukuran variabilitas untuk penduga RBHB. Evaluasi penduga HB dan RBHB dilakukan dalam konteks perkiraan persentase kemiskinan tingkat kecamatan di Provinsi Jawa Tengah. Benchmark dalam penelitian ini adalah proporsi jumlah penduduk suatu kecamatan terhadap jumlah penduduk di kabupaten/kota terkait. Penggunaan SAE, baik itu HB maupun RBHB, menjadikan hasil estimasi lebih stabil. Nilai estimasinya mempunyai range yang lebih kecil dibandingkan hasil estimasi langsung.
=====================================================================================================
The availability of accurate data is an important aspect in supporting national development. Statistics Indonesia (BPS) has not been able to calculate several important indicators for small areas, such as sub-districts, because of unrepresentative samples in the survey. Small Area Estimation (SAE) is a method used to estimate statistics in a small area with little or no sample. The problem arises when the generated estimators that are aggregated do not match the published official statistics at the higher level. SAE often involves making predictions with an estimation model followed by a benchmarking step. The prediction is modified so that the weighted sum satisfies the benchmark. This study used an area-level model with the Hierarchical Bayes (HB) method to estimate both sampled and non-sampled areas. Parameters of posterior mean and variance were obtained using the Markov Chain Monte Carlo (MCMC) with Gibbs Sampling algorithm. The HB estimator (posterior mean) was modified with a ratio benchmark to obtain an estimator of the Benchmarked HB Ratio (RBHB). The Posterior Mean Squared Error (PMSE) was used as a measure of variability for the RBHB estimator. The evaluation of the HB and RBHB estimators was carried out in the context of the estimated percentage of poverty at the sub-district level in Central Java Province. The benchmark in this study was the proportion of the sub-district population on the total population of the related regency/municipality. The use of SAE, both HB and RBHB, produces more stable estimation results. The estimated value has a smaller range than the result of direct estimation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Benchmarking, Hierarchical Bayes, Jawa Tengah, Kemiskinan, Small Area Estimation. Benchmarking, Central Java Province, Hierarchical Bayes, Poverty, Small Area Estimation.
Subjects:	H Social Sciences > HA Statistics > HA31.7 Estimation Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Eko Budiatmodjo
Date Deposited:	09 Sep 2021 08:20
Last Modified:	09 Sep 2021 08:20
URI:	http://repository.its.ac.id/id/eprint/91934

Actions (login required)

View Item