利用调查和人口普查数据评估小面积贫困估计的替代方法

本文评估了利用调查和人口普查数据生成小区域贫困估计的不同方法的相对性能。研究使用墨西哥和巴西五个轮次的普查数据，评估了七种不同的模型规范和估计方法，包括：

• 基于家庭、PSU级和市政级预测变量的方法：EBP和ELL
• 基于PSU级和市政级预测变量的方法：UC-PSU、子区域模型和BRF
• 仅使用市政级预测变量的方法：Fay-Herriot模型和UC-area模型

研究发现，在墨西哥，使用更细粒度数据（家庭和/或村庄级预测变量）的模型通常比仅使用区域级预测变量的模型产生更准确的贫困估计。使用家庭或村庄级预测变量的模型之间的准确率差异很小。省略家庭级预测变量的模型比单元级模型更能抵抗使用旧普查数据和调查预测变量的经典测量误差。Fay-Herriot区域级模型的性能在存在样本选择偏差和小样本的情况下会下降。在墨西哥，重新调整样本权重很重要，因为样本在区域内是信息性的。在这种情况下，不重新调整就应用原始样本权重会大大降低线性模型的估计精度，并扭曲方法之间的比较。

总的来说，没有一种方法在所有情况下都占主导地位，但当样本权重被重新调整时，使用更细粒度的数据进行预测没有任何坏处。