Skip to main content
SpringerLink
Log in

Qualität der regionalen Armutsmessung – vom Design zum Modell

  • Chapter
  • First Online:
Qualität bei zusammengeführten Daten

Zusammenfassung

Mit dem European Statistics Code of Practice (European Statistical System, 2017) hat das Europäische Statistische System einen Verhaltenskodex verabschiedet, der Standards für Statistiken definiert. Gerade im Zeitalter von Fake News und schnellen Statistiken sind einheitliche und nachvollziehbare Standards in den Statistiken unverzichtbar. Selbstverständlich müssen diese Standards geeignet und vor allem nachvollziehbar umgesetzt werden.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  • Battese, G. E., Harter, R. M., & Fuller, W. A. (1988). An Error-Components Model for Prediction of County Crop Areas Using Survey and Satellite Data. Journal of the American Statistical Association, Ausgabe 83, Nr. 401, 28-36.

    Google Scholar 

  • Bell, W. R., & Franco, C. (2017). Small Area Estimation - State Poverty Rate Model Research Data Files. https://www.census.gov/srd/csrmreports/byyear.html, abgerufen am: 20.10.2019

  • Bleninger, S., Fürnrohr, M., Kiesl, H., Krämer, W., Küchenhoff, H., Burgard, J. P., Münnich, R., & Rupp, M. (2020). Kommentare und Erwiderung zu: Qualitätszielfunktionen für stark variierende Gemeindegrößen im Zensus 2021. AStA Wirtschafts- und Sozialstatistisches Archiv, 14(1), 67-98.

    Google Scholar 

  • Brenzel, H., Schartner, C., Gebers, K., Taubenböck, H., & Wurm, M. (2020). Geokoordinaten als Verknüpfungsmerkmal – Ein Werkstattbericht zur Zusammenführung von Daten der amtlichen Statistik mit Fernerkundungsdaten. In B. Klumpe, J. Schröder, & M. Zwick (Hrsg.), Qualität bei zusammengeführten Daten – Befragungsdaten, Administrative Daten, neue digitale Daten: Miteinander besser? (S. 123-134). Wiesbaden: Springer VS.

    Google Scholar 

  • Burgard, J. P., Esteban Lefler, M. D., Morales, D., & Perez M. A. (2019). A Fay–Herriot model when auxiliary variables are measured with error. TEST, online first.

    Google Scholar 

  • Burgard, J. P., Münnich, R., & Rupp, M. (2020). Qualitätszielfunktionen für stark variierende Gemeindegrößen im Zensus 2021. AStA Wirtschafts- und Sozialstatistisches Archiv, 14(1), 5-65.

    Google Scholar 

  • Burgard, J. P., Münnich, R., & Zimmermann, T. (2016). Impact of Samp-ling Designs in Small Area Estimation with Applications to Poverty Measurement. In M. Pratesi (Hrsg.), Analysis of Poverty Data by Small Area Estimation (S. 83-108). Hoboken: John Wiley & Sons.

    Google Scholar 

  • Datta, G. S. (2009). Chapter 32 - Model-Based Approach to Small Area Estimation. In Rao, C.R. (Hrsg.), Handbook of Statistics. Sample Surveys: Inference and Analysis (S. 83-108). Volume 29B, CX.

    Google Scholar 

  • Datta, G. S., Lahiri, P. (2000). A unified measure of uncertainty of estimated best linear unbiased predictors in small area estimation problems. Statistica Sinica, Ausgabe 10, 613 - 627.

    Google Scholar 

  • Elbers, C., Lanjouw, J., & Lanjouw, P. (2003). Micro-level estimation of poverty and inequality. Econometrica, Ausgabe 71, Nr. 1, 355-364.

    Google Scholar 

  • European Commission. (2002). Variance estimation methods in the European Union. https://ec.europa.eu/eurostat/documents/64157/4374310/14-Monographs_off-stat-variance-estimation-methods-EU-2002.pdf/af98a8bc-688d-4bba-9748-43d648c723f4 (abgerufen am 29.10.2019).

  • European Parliament and the Council. (2019). Regulation (EU) 2019/1700 of the European Parliament and of the Council. https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32019R1700&from=EN (abgerufen am 13.02.2020).

  • European Statistical System Committee. (2015). Draft regulation on statistics relating to persons and households. EEA ESSC 2015/27/7/EN

    Google Scholar 

  • European Statistical System. (2017). European Statistics Code of Practice For the National Statistical Authorities and Eurostat (EU statistical authority). Revised edition 2017. https://ec.europa.eu/eurostat/web/products-catalogues/-/KS-02-18-142 (abgerufen am 28.10.2019).

  • Eurostat. (2013). Handbook on Precision Requirements and Variance Estimation for ESS Household Surveys, https://op.europa.eu/en/publication-detail/-/publication/f51ba4a6-6587-414d-93d3-a8aaff3106e2 (abgerufen am 28.10.2019).

  • Eurostat. (2018). Regions in the European Union — Nomenclature of territorial units for statistics NUTS 2016/EU-28, https://ec.europa.eu/eurostat/de/web/products-manuals-and-guidelines/-/KS-GQ-18-007 (abgerufen am 28.10.2019).

  • Eurostat. (2019). Statistics explained: Europe 2020 indicators - poverty and social exclusion, https://ec.europa.eu/eurostat/statistics-explained/pdfscache/29306.pdf (abgerufen am 30.10.2019).

  • Fay, R. E. & Herriot, R. A. (1979). Estimation of Income from Small Places: An Application of James–Stein Procedures to Census Data. Journal of the American Statistical Association, Ausgabe 74, 269–277.

    Google Scholar 

  • Gabler, S., Ganninger, M., Häder, S., & Münnich, R. (2008). Design effects (deff). In Lavrakas, P. J. (Hrsg.), Encyclopedia of Survey Research Methods (S. 83-108). Thousand Oaks: SAGE, CX.

    Google Scholar 

  • Gabler, S. & Häder, S. (2019). Repräsentativität: Versuch einer Begriffsbestimmung. In Häder, S., Häder, M., & Schmich, P. (Hrsg.), Telefonumfragen in Deutschland (S. 35-43). Wiesbaden: Springer VS.

    Google Scholar 

  • Gabler, S. & Quatember, A. (2013). Repräsentativität von Subgruppen bei geschichteten Zufallsstichproben. AStA Wirtschafts- und Sozialstatistisches Archiv, Ausgabe 3-4/2013, 105-119.

    Google Scholar 

  • Kauermann, G. & Küchenhoff, H. (2011). Stichproben. Methoden und praktische Umsetzung mit R. Berlin, Heidelberg: Springer.

    Google Scholar 

  • Kish L. (1987). Statistical design for research. Hoboken: John Wiley & Sons.

    Google Scholar 

  • Krug, W., Nourney, M., & Schmidt, J. (2001). Wirtschafts- und Sozialstatistik. Gewinnung von Daten. Berlin, Boston: De Gruyter.

    Google Scholar 

  • Lavalée, P. (2009). Indirect sampling. Springer Science & Business Media.

    Google Scholar 

  • Lehtonen, R. & Veijanen, A.i (2009). Chapter 31 - Design-based Methods for Domains and Small Areas. In Handbook of Statistics. Sample Surveys: Inference and Analysis (S. 219-249), Volume 29B.

    Google Scholar 

  • Lenau, S. & Münnich, R. (2016). Estimating income poverty and inequality from income classes. In Berger, Y., Burgard, J. P., Byrne, A., Cernat, A., Giusti, C., Koksel, P., Lenau, S., Marchetti, S., Merkle H., Münnich, R., Permanyer, I., Pratesi, M., Salvati, N., Shlomo, N., Smith, D., & Tzavidis, N., Case Studies. InGRID Deliverable 23.1.

    Google Scholar 

  • Lohr, S. L. (2010). Sampling. Design and Analysis, 2. Auflage, Pacific Grove: Duxbury Press.

    Google Scholar 

  • Lynn, P., Häder, S., Gabler, S., & Laaksonen, S. (2007). Methods for achieving equivalence of samples in cross-national surveys: the European Social Survey experience. Journal of Official Statistics, Ausgabe 23 (2007), 107-124.

    Google Scholar 

  • Molina, I. & Rao, J.N.K. (2010). Small Area Estimation of poverty indicators. Canadian Journal of Statistics, Ausgabe 38, 369-385.

    Google Scholar 

  • Münnich, R. (2008). Varianzschätzung in komplexen Erhebungen. Austrian Journal of Statistics, Ausgabe 37, Nr. 3&4, 319-334.

    Google Scholar 

  • Münnich, R., Burgard J. P., & Vogt, M. (2013). Small Area-Statistik: Methoden und Anwendungen. AStA Wirtschafts- und Sozialstatistisches Archiv, Ausgabe 3-4/2013, 149-191.

    Google Scholar 

  • Osier, G. (2009). Variance estimation for complex indicators of poverty and inequality using linearization techniques. Survey Research Methods, Ausgabe 3(3), 167-195.

    Google Scholar 

  • Pratesi, M. & Salvati, N. (2016). Introduction on Measuring Poverty at Local Level Using Small Area Estimation Methods. In Pratesi, M. (Hrsg.), Analysis of Poverty Data by Small Area Estimation (S. 1-18). Hoboken: John Wiley & Sons.

    Google Scholar 

  • Pratesi, M. (Hrsg.). (2016). Analysis of Poverty Data by Small Area Estimation, Hoboken: John Wiley & Sons.

    Google Scholar 

  • Rao, J.N.K. & Molina, I. (2015). Small area estimation, 2. Auflage, Hoboken: John Wiley & Sons.

    Google Scholar 

  • Särndal, C.-E., Swensson, B., & Wretman, J. (1992). Model Assisted Survey Sampling, New York: Springer.

    Google Scholar 

  • Schnell, R. (2019). Survey-Interviews: Methoden standardisierter Befragungen. Springer VS, Wiesbaden, 2. Auflage.

    Google Scholar 

  • Shao, J. & Tu, D. (1995). The Jackknife and Bootstrap, New York: Springer.

    Google Scholar 

  • Tzavidis, N., Zhang, L.-C., Luna, A., Schmid, T., & Rojas-Perilla, N, (2018). From start to finish: a framework for the production of small area official statistics, Journal of the Royal Statistical Society, Series A, Ausgabe 181, Nr. 4, 927-979.

    Google Scholar 

  • Verma, V. (1991). Sampling methods. Training handbook, Tokyo: Statistical Institute for Asia and the Pacific (SIAP).

    Google Scholar 

  • Williams, R. L. (2008). Effective Sampling Size. In Lavrakas, P. J. (Hrsg.), Encyclopedia of Survey Research Methods (S. 220-221), Thousand Oaks: SAGE.

    Google Scholar 

  • Wolter, K. M. (2007). Introduction to Variance Estimation, 2. Auflage, New York: Springer.

    Google Scholar 

  • Ybarra, L. M. R. & Lohr, S. L. (2008). Small area estimation when auxiliary information is measured with error. Biometrika, 95. Jg., Nr. 4, 919-931.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Universität Trier, Trier, Deutschland

    Ralf Münnich

Authors
  1. Ralf Münnich
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Ralf Münnich .

Editor information

Editors and Affiliations

  1. ADM Arbeitskreis Deutscher Markt-und Sozialforschungsinstitute eV, Berlin, Germany

    Bettina Klumpe

  2. GESIS – Leibniz-Institut für Sozialwissenschaften, Mannheim, Germany

    Jette Schröder

  3. Statistisches Bundesamt, Wiesbaden, Hessen, Germany

    Markus Zwick

Rights and permissions

Reprints and permissions

Copyright information

© 2020 Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Münnich, R. (2020). Qualität der regionalen Armutsmessung – vom Design zum Modell. In: Klumpe, B., Schröder, J., Zwick, M. (eds) Qualität bei zusammengeführten Daten. Schriftenreihe der ASI - Arbeitsgemeinschaft Sozialwissenschaftlicher Institute. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-31009-7_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-31009-7_2

  • Published:

  • Publisher Name: Springer VS, Wiesbaden

  • Print ISBN: 978-3-658-31008-0

  • Online ISBN: 978-3-658-31009-7

  • eBook Packages: Social Science and Law (German Language)

Publish with us

Policies and ethics

Search

Navigation