論文の概要: Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data

• arxiv url: http://arxiv.org/abs/2006.13152v1
• Date: Tue, 23 Jun 2020 16:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-13 00:41:49.291223
• Title: Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data
• Title（参考訳）: 人口を膨らませる:社会経済統計データの空間分解能を高める統計的ダウンスケーリング
• Authors: Giulia Carella, Andy Eschbacher, Dongjie Fan, Miguel \'Alvarez, \'Alvaro Arredondo, Alejandro Polvillo Hall, Javier P\'erez Trufero, and Javier de la Torre
• Abstract要約: 重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
• 参考スコア（独自算出の注目度）: 48.7576911714538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine resolution estimates of demographic and socioeconomic attributes are crucial for planning and policy development. While several efforts have been made to produce fine-scale gridded population estimates, socioeconomic features are typically not available at scales finer than Census units, which may hide local heterogeneity and disparity. In this paper we present a new statistical downscaling approach to derive fine-scale estimates of key socioeconomic attributes. The method leverages demographic and geographical extensive covariates available at multiple scales and additional Census covariates only available at coarse resolution, which are included in the model hierarchically within a "forward learning" approach. For each selected socioeconomic variable, a Random Forest model is trained on the source Census units and then used to generate fine-scale gridded predictions, which are then adjusted to ensure the best possible consistency with the coarser Census data. As a case study, we apply this method to Census data in the United States, downscaling the selected socioeconomic variables available at the block group level, to a grid of ~300 spatial resolution. The accuracy of the method is assessed at both spatial scales, first computing a pseudo cross-validation coefficient of determination for the predictions at the block group level and then, for extensive variables only, also for the (unadjusted) predicted counts summed by block group. Based on these scores and on the inspection of the downscaled maps, we conclude that our method is able to provide accurate, smoother, and more detailed socioeconomic estimates than the available Census data.
• Abstract（参考訳）: 人口統計と社会経済特性の詳細な解決は、計画と政策開発に不可欠である。 人口推計を細分化する試みがいくつか行われているが、社会経済的特徴は典型的には、局所的な異質性や格差を隠蔽する国勢調査単位よりも小さなスケールでは利用できない。 本稿では,重要な社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 この方法は、複数のスケールで利用可能な人口統計学的および地理的広範な共変量と、粗い解像度でのみ利用可能な追加の国勢調査共変量を利用する。 選択された社会経済変数ごとに、ランダムフォレストモデルをソース国勢調査単位で訓練し、詳細なグリッド化された予測を生成し、より粗い国勢調査データと最適な一貫性を確保するために調整する。 この手法をアメリカ合衆国における国勢調査データに適用し、ブロック群レベルで利用可能な選択された社会経済変数を約300の空間分解能のグリッドにスケールダウンさせる。 この方法の精度は両空間スケールで評価され、まずブロック群レベルでの予測に対する疑似クロスバリデーション係数を計算し、その後、広範囲変数のみに対してブロック群で集計された(不当な)予測数についても計算する。 これらのスコアとダウンスケールマップの検査に基づいて,我々の手法は,利用可能なセンサスデータよりも正確でスムーズで,より詳細な社会経済評価を提供できると結論付けた。

関連論文リスト

• A Deep Generative Framework for Joint Households and Individuals Population Synthesis [0.562479170374811]
  世帯・個人・個人・個人関係を持つ合成集団を創出するための深い生成枠組みを提案する。 米国デラウェア州での申請の結果は、生成された家庭内レコードのリアリズムを確実にする能力を示している。
  論文  参考訳（メタデータ） (2024-06-30T23:01:58Z)
• A step towards the integration of machine learning and small area estimation [0.0]
  本稿では,機械学習アルゴリズムがサポートする予測器を提案する。 仮定モデルからわずかに逸脱しただけで、この場合も提案が良い代替手段であることを示す。 さらに,機械学習予測器の精度推定手法を提案し,従来の手法との比較を行った。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• Fine-Grained Socioeconomic Prediction from Satellite Images with Distributional Adjustment [14.076490368696508]
  本研究では,より広い領域で観測される分布挙動を捉えることで,各衛星画像に社会経済的スコアを割り当てる手法を提案する。 我々は、順序回帰スコアモデルを訓練し、そのスコアを地域内外の共通パワー則に従うように調整する。 また, この手法は, 不均質な開発地域において, 開発途上国での利用可能性を示す。
  論文  参考訳（メタデータ） (2023-08-30T12:06:04Z)
• Small Area Estimation with Random Forests and the LASSO [39.58317527488534]
  この研究は、第6回リビング・スタンダード・サーベイ(GLSS)と2010年の人口・住宅国勢調査から得られるガーナのデータによって動機付けられている。 我々は、アラルレベルのランダム林とLASSOアプローチを、頻繁な前方変動選択法とベイズ縮小法と比較した。 GAMA領域にまたがる1.3倍の変動を示すログ消費地域推定値として,面積間の実質的な変動がみられた。
  論文  参考訳（メタデータ） (2023-08-29T10:02:10Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Predicting Census Survey Response Rates With Parsimonious Additive Models and Structured Interactions [14.003044924094597]
  本研究では, フレキシブルで解釈可能な非パラメトリックモデル群を用いて, アンケート応答率を予測することの問題点を考察する。 この研究は、米国国勢調査局(US Census Bureau)の有名なROAMアプリケーションによって動機付けられている。
  論文  参考訳（メタデータ） (2021-08-24T17:49:55Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)
• Differential Privacy of Hierarchical Census Data: An Optimization Approach [53.29035917495491]
  国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。 最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。 本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
  論文  参考訳（メタデータ） (2020-06-28T18:19:55Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。