El problema de la falta de respuestaalternativas para su tratamiento en la construcción de estimadores indirectos
- María del Mar Rueda García Director
Defence university: Universidad de Granada
Fecha de defensa: 09 July 2002
- Ramón Gutiérrez Jáimez Chair
- Josefa Linares Pérez Secretary
- Antonio Pascual Acosta Committee member
- Luis Parras Guijosa Committee member
- Emilio Damián Lozano Aguilera Committee member
Type: Thesis
Abstract
Existen diversas formas de tratar la no respuesta, así como diferentes procedimientos de imputación de los datos que faltan, utilizándose estos según las condiciones de la encuesta y los objetivos que se pretendan, En este trabajo se resumen los distintos métodos para evitar este problema en la fase de recogida de datos, así como durante las etapas de su procesamiento y análisis. La finalidad última de estos métodos es conseguir una matriz de datos lo más completa y precisa posible. Aún así, una vez realizada la recogida de datos, y llevaba a cabo la depuración, es muy frecuente encontrar faltas o errores en algunas entradas. Ante esta problemática, las posibles alternativas que se plantean son realizar un análisis de casos completos, utilizar algún procedimiento para imputar los datos que faltan o intentar construir estimadores de mayor precisión. El trabajo está centrado en la definición de estimadores indirectos eficientes en presencia de falta de respuesta parcial. Para los correspondientes estimadores de razón, diferencia y regresión se proponen dos alternativas para construir estimadores que incluyan todos los casos disponibles. Tras la propuesta de estos estimadores, se realiza un estudio de simulación utilizando cinco poblaciones de uso frecuente en la literatura de muestreo en poblaciones finitas. Por último, se recurre a su aplicación ponen de manifiesto el buen comportamiento de los estimadores propuestos, mostrando que todos ellos provocan disminuciones importantes en los correspondientes errores muestrales. Por tanto, la elección de estos estimadores conllevará estimaciones más precisas que permitirán reducir el tamaño de muestra necesario para conseguir un cierto error.