Estimación bayesiana de una proporción bajo error de estimación asimétrico
Main Article Content
Keywords
Estimación bayesiana, distribución binomial, probabilidad de respuesta falsa, sustancias sicoactivas.
Resumen
El proceso de estimación de una proporción relacionada con una pregunta que puede ser altamente sensible para el encuestado, puede generar respuestas que no necesariamente coinciden con la realidad. Para reducir la probabilidad de respuestas falsas a este tipo de preguntas algunos autores han propuesto técnicas de respuesta aleatorizada asumiendo un error de observación asimétrico. En este artículo se presenta una generalización al caso donde se asume un error simétrico lo cual puede ser un supuesto poco realista en la práctica. Se deduce la función de verosimilitud bajo el supuesto de error de estimación asimétrico.
Con esto se pretende que en la práctica se cuente con un método alternativo para reducir la probabilidad de respuestas falsas. Asumiendo distribuciones a priori informativas se encuentra una expresión para la distribución posterior. Puesto que esta última no tiene una expresión cerrada es necesario usar el muestreador de Gibbs en el proceso de estimación. Esta técnica se ilustra usando datos reales sobre consumo de drogas recolectados por la Oficina de Bienestar de la Universidad Nacional de Colombia, Sede Medellín.
MSC: 62., 62-07, 62c12
Descargas
Referencias
[2] SL. Warner. The Linear Randomized Response Model . Journal of the American Statistical Association, ISSN 0162–1459, 66(336), 884–888 (1971).
[3] BG. Greenberg, Abdel-Latif A. Abul-Ela, WR. Simmons, DG. Horvitz. The Unrelated Question Randomized Response Model: Theoretical Framework. Journal of the American Statistical Association, ISSN 0162–1459, 64(326), 520–539 (1969).
[4] CW. Lamb Jr, DE. Stem Jr. An Empirical Validation of the Randomized Response Technique. Journal of Marketing Research, ISSN: 0022–2437, 15(4), 616–621 (1978).
[5] A. Campbell. Randomized Response Technique. Science, ISSN 0036–8075, 236(4805), 1049 (1987).
[6] P. Tracy, JA Fox. The Validity of Randomized Response for Sensitive Measure- ments. American Sociological Review, ISSN 0003–1224, 46(2), 187–200 (1981).
[7] JD. Miller. Complexities of the Randomized Response Solution. American Sociological Review, ISSN 0003–1224, 46(6), 928–930 (1981).
[8] PD. Bourke, T. Dalenius. Some New Ideas in the Realm of Randomized Inquiries. International Statistical Review / Revue Internationale de Statistique, ISSN 1751–582, 44(2), 219–221 (1976).
[9] BG. Greenberg, Abdel-Latif A. Abul-Ela, WR. Simmons, DG. Horvitz. A MultiProportions Randomized Response Model . Journal of the American Statistical Association, ISSN 0162–1459, 62(319), 990–1008 (1967).
[10] NS. Mangat, R. Singh. An Alternative Randomized Response Procedure. Biometrika, ISSN 0006–3444, 77(2), 439–442 (1990).
[11] NS. Mangat. An Improved Randomized Response Strategy. Journal of the Royal Statistical Society. Series B (Methodological), ISSN 1467–9868, 56(1), 93–95 (1994).
[12] A. O’Hagan. Bayes Linear Estimators for Randomized Response Models. Journal of the American Statistical Association, ISSN 0162–1459, 82(398), 580–585 (1987).
[13] RL. Winkler, A. Gaba. Inference With Imperfect Sampling From Bernoulli Process. in S. Geisser, J. Hodges, S.J. Press and A. Zellner, Eds., Bayesian and Likelihood Methods in Statistics and Econometrics: Essays in Honor of George A. Barnard, Amsterdam, North Holland, ISBN 0444883762, 303—317, 1990.
[14] JD. Stamey, JW. Seaman, DM. Young. Bayesian analysis of complementary Poisson rate parameters with data subject to misclassification. Journal of Statistical Planning and Inference, ISSN 0378–3758, 134, 36—48 (2005).
[15] DH. Boese, DH. Young, JD. Stamey. Confidence intervals for a binomial parameter base don binary data subject to false-positive misclassification. Computational Statistics & Data Analysis, ISSN 0167–9473, 50, 3369–3385 (2006).
[16] SC. Lee, JS. Byun. Bayesian approach to obtain confidence intervals for binomial proportion in a double sampling scheme subject to false-positive misclassification. Journal of the Korean Statistical Society, ISSN 1226–3192, 37, 393-–403 (2008).
[17] D. Rahardja, YD. Zhao. Bayesian inference of a binomial porportion using one simple misclassified binary data. Model Assisted Statistics and Applications, ISSN 1574-1699, 7(1), 17–22 (2012).
[18] A. Gaba. Inferences with an Unknown Noise Level in a Bernoulli Process. Managment Science, ISSN 0025–1909, 39(10), 1227–1237 (1993).
[19] G. Casella, Edward I. George. Explaining the Gibbs Sampler . The American Statistician, ISSN 0003–1305 46(3), 167–174 (1992).