Mintegiaren deskribapena

Estatistika-bulego asko, batez ere Europan, iturri bakar batean oinarritutako estatistika tradizionaletatik datu-iturri ugari erabiltzen dituzten estatistiketara igarotzen ari dira. Hainbat iturri elkartzean, estatistika zehatzagoak eta egokiagoak sor daitezke, eta gizartean gertatzen diren gertaerei eta aldaketei azkarrago erantzun. Inkestetatik datozen datuak administrazio-datuekin eta Big Datarekin batzeak bilketa- eta prozesatze-kostuak aurrez ditzake, eta, aldi berean, inkestatutako unitateen gaineko karga arindu. Hala ere, askotariko iturrietan oinarritutako estatistikek erronka berriak dituzte ekoizpen eraginkorrari eta emaitzen kalitate-neurriari dagokienez. Mintegi honetan, azken urteotan askotariko iturrietan oinarritutako estatistikei eta, bereziki, kalkuluen kalitatea ebaluatzeko erabil daitezkeen ikuspegiei heltzeko garatu diren teknika batzuk aurkeztu eta eztabaidatuko ditugu.

Helburuak

Mintegiak honako helburu hauei heldu nahi die:

1. Askotariko iturrietan oinarritutako estatistikak egiten saiatzean sortzen diren arazoen eta egoeren ikuspegi orokorra ematea.

2. Horrelako estatistikak egiteko erabil daitezkeen metodoak eztabaidatzea.

3. Metodo horien bidez lortutako kalkuluen zehaztasuna ebaluatzeko ikuspegi berriak azaltzea.

Eztabaidatutako metodo eta ikuspegien aplikazioak R eta R Studio programak erabiliz gauzatuko dira. Aplikazio batzuetarako, beharrezkoa izango da R pakete batzuk instalatzea, hala nola poLCA, plyr eta dplyr.

Nahi izanez gero, bertaratzen diren pertsonek beren ordenagailu eramangarriak edo bestelako gailuak ekarri ahal izango dituzte praktikak jarraitzeko.

Xedezko hartzailea

• Estatistikako profesionalak
• Informazio- eta komunikazio-teknologietako profesionalak
• Datu-zientziaren profesionalak
• Ikasleak eta eremu publiko eta pribatuko ikertzaileak

Asteazkena, martxoak 13 9:00etatik 14:00etara

1. Askotariko iturrietan oinarrituriko estatistiken (kalitatearen neurketara) sarrera

Askotariko iturrietan oinarritutako estatistikak vs. iturri bakarreko estatistikak. Datuen konfigurazioak askotariko iturrietan oinarritutako estatistiketan. Estatistika horietan gerta daitezkeen akats motak.

2. Bootstrap

Estatistiken zehaztasuna neurtzeko bootstrap teknika deskribatzea, batez ere bariantza.

3. Erantzunik gabeko akatsen zuzenketa (partziala)

Ez-erantzun partziala. Laginketaren eta egozpenaren ondoriozko bariantza neurtzea. Egozpen Anizkoitzerako (MI) sarrera, ikuspegi alternatibo gisa.

Osteguna, martxoak 14, 9:00etatik 14:00etara

4. Klase Latenteen Analisia erabiltzea neurketa-akatsak zuzentzeko

Askotariko datu-iturrietan dauden aldagai kategorikoen balioak zuzentzea. Klase Latenteen Analisiaren (KLA) eta bere konbinazioaren teknikarako sarrera, zuzendutako datuen bariantza balioesteko, MILC izenez ezagutzen dena.

5. Hautaketa-akatsak zuzentzea

Sasi-pisuak erabiltzea lagin ez-probabilistikoetan hautespen-erroreak zuzentzeko. Bootstrap-a erabiltzea ondoriozko zenbatespenetan bariantza kalkulatzeko.

6. Azpiestaldura-akatsak zuzentzea

(Azpi)populazio ezezagunen tamaina kalkulatzeko kaptura-/birkaptura-teknika. Biztanleriaren tamainaren zenbatespenen bariantza kalkulatzea. Adibidea: Herbehereetako etxerik gabeko pertsonen kopurua kalkulatzea.

Erreferentziak: 

• Agafitei, M., F. Gras, W. Kloek, F. Reis y S. Váju (2015), Medición de la Calidad de los Outputs para Estadísticas basadas en múltiples fuentes en la Estadística Oficial: Algunas directrices. Statistical Journal of the IAOS 31, pp. 203–211. (Introducción/Bootstrap)
• Bishop, Y.M.M., S.E. Fienberg y P.W. Holland (1975), Análisis Multivariante Discreto. MIT press. (Infra-cobertura)
• Boeschoten, L., D. Oberski y T. de Waal (2017), Estimación de Errores de Clasificación bajo Restricciones de Edición en Datos Compuestos de Encuestas-Registro mediante Modelado de Clases Latentes de Imputación Múltiple (MILC). Journal of Official Statistics 33, pp. 921–962. (Análisis de Clases Latentes)
• De Waal, T., A. van Delden y S. Scholtus (2020), Estadísticas de Múltiples Fuentes: Situaciones y Métodos Básicos. International Statistical Review 88, pp. 203–228. (Introducción)
• Efron, B. y R.J. Tibshirani. (1993). Introducción al Bootstrap. Londres: Chapman & Hall/CRC. (Bootstrap)
• Liu, A.-C., S. Scholtus y T. de Waal (2023), Corrección de Sesgo de Selección en Big Data mediante pseudo-elevación. Journal of Survey Statistics and Methodology 11, pp. 1181–1203. (Error de selección)
• Van Delden, A., Scholtus, S. y Burger, J. (2016). Precisión de Estadísticas de Origen Mixto afectada por Errores de Clasificación. Journal of Official Statistics 32: 619–642. (Bootstrap para errores de clasificación)

Arnout van Delden

Arnout van Deldenek laboreen babesa ikasi zuen Wageningeneko Unibertsitatean. 2001ean, bere doktoretza lortu zuen, simulazio eta analisi estatistikoko zenbait ikerketa erabiliz. 2001etik Statistics Netherlands-en lan egiten du, eta gaur egun senior metodologoa da bertan. Administrazio-datuen erabilera ikertu du eta, 2016tik, datuak integratzeko metodoak lantzen ditu. Bere ikerketa-eremuak honako hauek dira: iturriak hainbat unitate-motarekin lotzea, inkestak lotzea, neurketa-akatsak kuantifikatzea, estatistika ofizialetan machine learning eta text mining teknikak erabiltzea, eta administrazio-datuak eta hainbat iturritan oinarritutako estatistikak biltzean, prozesatzean eta estimatzean kalitatea neurtzea. Europako hainbat proiektutan lagundu du, eta merkataritza-estatistikei buruzko liburu berri baten (2023) koeditorea da.

Ton de Waal

Ton de Waalek matematika ikasi zuen Leidengo Unibertsitatean eta Eindhoveneko Unibertsitate Teknologikoan. 1993an, Statistics Netherlands-en hasi zen lanean, eta, gaur egun, senior metodologoa da bertan. 2003an doktoretza lortu zuen, eta, 2014tik, Ton Tilburgeko Unibertsitateko Datuen Integrazioko irakaslea ere bada. Sekretu estatistikoa kontrolatzeko teknikei buruzko bi libururen eta datu estatistikoen edizioari eta egozpenari buruzko liburu baten egilekidea da. Gaur egungo eremu interesgarrietan honako hauek sartzen dira: falta diren datuak egoztea, neurketa-erroreak zuzentzea, hautaketa-akatsak zuzentzea, fusio-akatsak zuzentzea, probabilitate- eta ez-probabilitate-laginen zenbatespenak konbinatzea, inkesten lotura eta hainbat iturritatik egindako estatistiken kalitatea neurtzea.

Modalitateak: aurrez aurre eta online

Izena emateko epea: otsailaren 5etik martxoaren 4ra

Tarifa arrunta: 133,60€

Tarifa murriztua (*): 43,67€

(*) hala egiaztatzen duten unibertsitateko ikasle eta langabezian dauden lizentziadun eta/edo graduatuentzat.

Izena emateko, saka ezazu hurrengo esteka: Izen-ematea