Taller de instalación de capacidades en SAE
Agenda
Material del curso
1
Día 1 - Sesión 1- No dejar a nadie atrás - ODS y la Agenda 2030
2
Día 1 - Sesión 2- Limitaciones de las encuestas de hogares
3
Día 1 - Sesión 3- Censo e información satelital
3.1
Uso de imágenes satelitales y SAE
3.1.1
Fuentes de datos de imágenes satelitales
3.2
Google Earth Eninge
3.3
Instalación de rgee
3.3.1
Descargar información satelital
3.3.2
Luces nocturnas
3.3.3
Cubrimiento cultivos
3.3.4
Cubrimiento urbanos
3.3.5
Modificación humana
3.3.6
Tiempo promedio al hospital
3.3.7
Tiempo promedio al hospital en vehiculo no motorizado
3.4
Censos de población y vivienda
3.4.1
Mapas de las variables con información censal.
4
Día 2 - Sesión 1- Fundamentos de la inferencia Bayesiana en R y STAN
5
Día 2 - Sesión 1- Modelos sintéticos simples
5.1
Regla de Bayes
5.2
Inferencia Bayesiana.
5.3
Modelos uniparamétricos
5.3.1
Modelo de unidad: Bernoulli
5.3.2
Modelo de área: Binomial
5.3.3
Modelo de unidad: Normal con media desconocida
5.4
Modelos multiparamétricos
5.4.1
Modelo de unidad: Normal con media y varianza desconocida
5.4.2
Modelo Multinomial
6
Día 2 - Sesión 1- Estimaciones ENCFT y Función Generalizada de Varianza
6.1
Datos de la encuesta
6.2
Análisis gráfico
6.3
Modelo para la varianza
7
Día 2 - Sesión 3- Modelo de Fay Herriot - Estimación de la pobreza
Modelo de área para la estimación de la pobreza
7.1
Procedimiento de estimación
7.2
Preparando los insumos para
STAN
7.2.1
Resultados del modelo para los dominios observados.
7.3
Proceso de Benchmark
7.4
Validación de los resultados.
7.5
Mapa de pobreza
8
Día 3 - Sesión 1- Modelos de área - Estimación de la pobreza y la transformación ArcoSeno.
8.1
Procedimiento de estimación
8.2
Preparando los insumos para
STAN
8.2.1
Resultados del modelo para los dominios observados.
8.3
Mapa de pobreza
8.4
Mapa del coeficiente de variación.
9
Día 3 - Sesión 2- Modelos de área - Estimación de la pobreza en familias beta y binomial
9.1
Modelo de Fay Herriot de variable respuesta beta.
9.1.1
Procedimiento de estimación
9.1.2
Preparando los insumos para
STAN
9.2
Modelo Fay Herriot de variable respuesta beta.
9.2.1
Procedimiento de estimación
9.2.2
Preparando los insumos para
STAN
10
Día 3 - Sesión 3- Modelos de área - Estimación de la informalidad laboral.
10.1
Estimaciones directas.
10.1.1
Calculo del indicador
10.2
Función Generalizada de Varianza
10.2.1
Gráficas exploratorias
10.2.2
Ajustando el modelo log-lineal de la varianza
10.2.3
Validaciones sobre el modelo
10.2.4
Otras validaciones sobre el resultado del modelo.
10.3
Estimación de la informalidad laboral con un modelo de área con tranformación arcoseno.
10.4
Procedimiento de estimación
10.5
Preparando los insumos para
STAN
10.5.1
Resultados del modelo para los dominios observados.
10.6
Mapa de informalidad laboral
10.7
Mapa del coeficiente de variación.
11
Día 4 - Sesión 1- Modelo de unidad para la estimación del ingreso medio
11.1
Modelo bayesiano.
11.2
Proceso de estimación en
R
11.2.1
Encuesta de hogares
11.2.2
Niveles de agregación para colapsar la encuesta
11.2.3
Creando base con la encuesta agregada
11.2.4
Definiendo el modelo multinivel.
11.3
Proceso de estimación y predicción
11.3.1
Distribución posterior.
11.3.2
Estimación del ingreso medio nacional
11.3.3
Estimación para el dam == “01”.
11.3.4
Estimación para la dam2 == “00203”
11.4
Estimación de la pobreza a partir del ingreso
11.5
Proceso de estimación y predicción
11.5.1
Distribución posterior.
11.6
Estimación de la pobreza
11.6.1
Estimación para el dam == “01”.
11.6.2
Estimación para la dam2 == “00203”
12
Día 3 - Sesión 3- Modelo de unidad para la estimación de la pobreza
12.1
Modelo de regresión logistica.
12.2
Proceso de estimación en
R
12.2.1
Encuesta de hogares
12.2.2
Niveles de agregación para colapsar la encuesta
12.2.3
Creando base con la encuesta agregada
12.2.4
Definiendo el modelo multinivel.
12.3
Proceso de estimación y predicción
12.3.1
Distribución posterior.
12.3.2
Estimación de la tasa de pobreza
12.3.3
Estimación para el dam == “01”.
12.3.4
Estimación para la dam2 == “00203”
13
Día 4 - Sesión 3- Modelos de unidad - Estimación de head ratio para H
13.1
Índice de Privación Multidimensional (H)
13.2
Definición del modelo
13.2.1
Procesamiento del modelo en
R
.
13.2.2
Definiendo el modelo multinivel.
13.2.3
Proceso de estimación y predicción
14
Día 5 - Sesión 1- Modelo de área para estadísticas del mercado de trabajo
14.1
Definición del modelo multinomial
14.2
Lectura de librerías.
14.3
Lectura de la encuesta y estimaciones directas
14.4
Selección de dominios
14.5
Modelo programando en
STAN
14.6
Preparando insumos para
STAN
14.7
Validación del modelo
14.8
Estimación de los parámetros.
14.9
Estimación de la desviación estárdar y el coeficiente de valiación
14.10
Metodología de Benchmarking
14.11
Mapas del mercado de trabajo.
Ocupado
Desocupado
Inactivo
15
Día 5 - Sesión 2 - Definición del modelo multinomial de efectos aleatorios correlacionados.
15.1
Lectura de las estimaciones directas
15.2
Modelo programando en
STAN
15.3
Preparando insumos para
STAN
15.4
Validación del modelo
15.5
Estimación de los parámetros.
15.6
Estimación del desviación estárdar y el coeficiente de valiación
15.7
Metodología de Benchmarking
15.8
Mapas del mercado de trabajo.
Ocupado
Desocupado
Inactivo
Desagregación de datos en encuestas de hogares: metodologías bayesianas para modelos de estimación en áreas pequeñas
Capítulo 4
Día 2 - Sesión 1- Fundamentos de la inferencia Bayesiana en R y STAN
El proyecto Manhattan y la estimación desagregada con encuestas de hogares