Prévia do material em texto
1 3 - Estimação de Variâncias e Medidas de Precisão 3.1 - Objetivo Principal Estimar as variâncias dos estimadores derivados no módulo 2 sob cada plano, para, a partir delas, calcular medidas de variabilidade associadas às estimativas. Lembrem-se: estimativas pontuais sem medida de variabilidade não dizem nada. 3.2 - Comparando Estratégias Não Viciadas Cada plano amostral probabilístico gera um estimador não viciado diferente (módulo 2). O conjunto plano amostral + respectivo estimador não viciado para θ, é chamado estratégia de estimação não viciada para θ. Assim, podemos ter várias estratégias de estimação não viciadas para um parâmetro, e, portanto, precisamos saber compará-las. Esta comparação é feita a partir das variâncias teóricas das estratégias de estimação, ou seja, dos estimadores não viciados sob cada plano amostral. Ilustração - estratégia 1 melhor que a 2: θ-ε θ+εθ 11 p sob,ˆ de ãodistribuiç θ 22 p sob ,ˆ de ãodistribuiç θ Formalmente, a comparação é feita via Efeito do Plano Amostral, ou EPA (design effect), que nada mais é do que a razão das variâncias teóricas dos estimadores. • Efeito do Plano Amostral (EPA) O EPA (Efeito do Plano Amostral) é a razão entre as variâncias teóricas correspondentes a duas estratégias não viciadas de estimação, quando utilizadas para estimar um mesmo parâmetro-alvo. 2 EPA > 1 ⇒ Estratégia E1 mais eficiente. EPA < 1 ⇒ Estratégia E2 mais eficiente. .)θˆ(V )θˆ(V)E,EPA(E :por dado é elas entreEPA O 1P 2P 21 1 2 = ).θˆ;P(:E e )θˆ;P(:E : viciadas)(não sestratégia as Sejam 222111 Para calcular o EPA, precisamos de uma fórmula para obter as variâncias teóricas. 3.3 - Variâncias Teóricas dos Estimadores de HT As variâncias dos estimadores de Horvitz- Thompson dependem dos piis e das probabilidades de inclusão conjuntas ou de segunda ordem: piij = p[(i∈s)∩(j∈s)]. Começaremos apresentando a variância do estimador de total. A variância do estimador de média pode ser obtida a partir dele. Note que o estimador de total, escrito na forma de um somatório na população, fica: Por outro lado, a variância da combinação linear de v.a.`s apresentada acima é: .),(Covyy2)(Vy ji ji j j i i Ui i 2 i i ∑∑∑ <∈ δδ pi pi +δ pi . yYˆ Ui i i i∑ ∈ δ pi = Sendo δi ~ Bernoulli(pii), verifica-se que: Substituindo na fórmula do slide anterior, obtemos a expressão final da variância, apresentada no slide seguinte. V(δi) = pii(1-pii) e Cov(δi,δj) = piij-piipij. Variância do Estimador de Total: sendo piij = p[(i∈s)∩(j∈s)]. ∑∑∑ <∈ pipi−pi pi pi +pi−pi pi = ji jiij j j i i Ui ii 2 i i HT )( yy2)1(y)Yˆ(V 3 Para obter a variância do estimador da média, basta dividir por N2. Variância do Estimador da Média: pipi−pi pi pi +pi−pi pi == ∑∑∑ <∈ ji jiij j j i i Ui ii 2 i i 2 2 HT HT )(yy2)1(y N 1 N )Yˆ(V)Yˆ(V 3.4 – Estimação das Variâncias Na prática, o que fazemos é calcular as estimativas das variâncias, a partir das fórmulas dos próximos slides. Estimador da Variância do Estimador do Total: Este estimador é não viciado para ∑∑∑ <∈ pi pipi−pi pi pi +pi− pi == ji ij jiij j j i i si i 2 i i HTHT )(yy2)1(y )Yˆ(v)Yˆ(Vˆ ).Yˆ(V HT Estimador da Variância do Estimador da Média: pi pipi−pi pi pi +pi− pi == ∑∑∑ <∈ ji ij jiij j j i i si i 2 i i 2 2 HT HT )(yy2)1(y N 1 N )Yˆ(Vˆ)Yˆ(Vˆ Este estimador é não viciado para ).Yˆ(V HT Exemplo 3.1 – Considere novamente os dados do exemplo 1 e o plano amostral: p(1,2) = p(3,4) = 0; p(1,3) = ½; p(1,4) = p(2,3) = p(2,4) = 1/6. Baseado na amostra s = (2,3), obtenha as estimativas da variância dos estimadores de total e média populacionais, usando os estimadores não viciados apresentados. 4 Relembrando os dados do exemplo 1: 34 33 52 41 yiU Respostas - piij = 1/6 (que é a própria probabilidade da amostra s = (2,3)) e: .98,6 16 75,111 N )Yˆ(Vˆ)Yˆ(Vˆ .75,111)Yˆ(Vˆ 2 HT HT HT === = Obs - uma crítica aos estimadores de variância reportados é que, em situações não tão raras, podem gerar estimativas negativas. Um estimador alternativo, também não viciado, e que gera valores negativos com frequência menor, foi definido por Sen-Yates-Grundy: 2 j j i i si ji ij ijji HTSYG yy)()Yˆ(Vˆ pi − pipi pi−pipi =∑∑ ∈ < 3.5 - Medidas de Precisão A partir da variância, podemos obter importantes medidas de precisão associadas às estimativas, como: - erros padrão (desvios padrão dos estimadores – para que servem?) - coeficientes de variação (CV`s) • Erro Padrão O erro padrão de um estimador é o seu desvio padrão, isto é, a raiz quadrada da sua variância: )Yˆ(V)Yˆ(EP = )Yˆ(V)Yˆ(EP = Na prática, o erro padrão teórico não é conhecido. Entretanto, dada uma amostra, podemos estimá-lo : )Yˆ(v)Yˆ(ep = )Yˆ(v)Yˆ(ep = 5 • Coeficiente de Variação Outra medida usual é o coeficiente de variação (CV). O CV (teórico) é: Y )Yˆ(EP)Yˆ(CV = Y )Yˆ(EP)Yˆ(CV = são iguais, sempre! O CV expressa o erro padrão em relação ao parâmetro (proporção ou percentual dele), permitindo comparar a variabilidade de estimadores de diferentes magnitudes. Por exemplo: - estimadores de renda média e idade média - estimadores de renda total e de alguma proporção (p.ex., de desocupados) Exemplo 3.2 - Suponha que estejamos interessados em estimar o salário médio em diferentes ramos de atividade profissional. Como um caso extremo, considere a comparação entre os salários médios de gerentes e de office-boys. Suponha que o salário médio dos gerentes seja de R$ 5.000,00 e o dos office-boys seja de R$ 500,00. Um erro padrão igual a 100 indica variabilidade alta ou baixa? No caso dos auxiliares de escritório, este erro padrão é 20% do salário médio, portanto é relativamente alto. CV = 0,2 = 20%. Por outro lado, no caso dos gerentes, este erro padrão representa 2% do salário médio, sendo relativamente baixo. CV = 0,02 = 2%. A dispersão relativa é bem menor! O coeficiente de variação estimado é: Yˆ )Yˆ(ep)Yˆ(cv = Yˆ )Yˆ(ep)Yˆ(cv = O coeficiente de variação estimado fornece uma medida do erro padrão em relação ao valor da estimativa. são iguais, sempre! Exemplo 3.3 - Considere agora a seguinte população: 35 54 23 22 31 yiU Baseado na amostra s = (2,3,4), obtida por AAS, estime sem vício média e total, com as respectivas estimativas de erro padrão e cv.