برآورد کوچک ناحیه‌ای بیز تجربی استوار با توزیع α-پایدار متقارن برای مولفه‌های خطا

در مدل سطح ناحیه یا فیهریوت که پرکاربردترین مدل در برآورد کوچک ناحیه‌ است، معمولاً فرض می‌شود که اثرهای تصادفی خاص هر ناحیه و خطاهای نمونه‌گیری دارای توزیع نرمال هستند. اما مقدارهای خیلی بزرگ یا خیلی کوچک از مولفه‌های خطا باعث عملکرد ضعیف برآوردهای کوچک ناحیه‌ای بر اساس روش‌های برآورد کوچک ناحیه‌ای موجود می‌شوند. برای رفع این مشکل در این مقاله برای مولفه‌های خطا توزیع α-پایدار متقارن جایگزین توزیع نرمال می‌شود و با رهیافت بیز تجربی پارامترهای کوچک ناحیه‌‌ها برآورد می‌شوند. با استفاده از شبیه‌سازی و تحلیل داده‌های واقعی به مقایسه مدل جدید ارائه شده با روش بیز تجربی در مدل کلاسیک بر اساس نرمال بودن مولفه‌های خطا و روش‌های‌ استوار بر اساس رهیافت بیز تجربی پرداخته و کارایی مدل پیشنهادی در برآورد دقیق پارامترهای کوچک ناحیه‌، به خصوص وقتی مولفه‌های خطا هر دو نرمال یا هر دو دارای توزیع دم‌بلند هستند، نشان داده می‌شود.

Robust Empirical Bayes Small Area Estimation with Symmetric α-Stable Distribution for Error Components

The most widely used model in small area estimation is the area level or the FayHerriot model. In this model, it is typically assumed that both the area level random effects (model errors) and the sampling errors have a Gaussian distribution. However, considerable variations in error components (model errors and sampling errors) can cause poor performance in small area estimation. In this paper, to overcome this problem, the symmetric alpha;stable distribution is used to deal with outliers in the error components. The model parameters are estimated with the empirical Bayes method. The performance of the proposed model is investigated in different simulation scenarios and compared with the existing classic and robust empirical Bayes methods. The proposed model can improve estimation results, in particular when both error components are normal or have heavytailed distribution.