Causality Analysis of Survey Nonresponse – A Counterfactual Perspective
Słowa kluczowe:
survey non-response, counterfactual analysis, causality testingAbstrakt
Warunek nieobciążoności próby w statystycznych badaniach społecznych praktycznie nigdy nie jest spełniony, a w sondażowych badaniach rynku pracy poziom odmowy udziału niejednokrotnie przekracza 40%. Dokładność wniosków statystycznych w takich sytuacjach może być poprawiona lepszym zrozumieniem mechanizmu odmowy. Szczególnie niekorzystną sytuacją w statystycznej analizie danych bezrobocia jest zależność pomiędzy czasem poszukiwania pracy i odmową udziału. W pracy omawia się metodę weryfikacji takiego mechanizmu odmowy w perspektywie kontrfaktycznej analizy przyczynowości.Pobrania
Bibliografia
Bednarski T., Borowicz F. (2010) Analysis of non-response causality in labor market surveys.Acta Universitatis Lodziensis. Folia Oeconomica 253, s. 217-224, Lodz 2010
Google Scholar
Bednarski T. (2013). On robust causality nonresponse testing in duration studies under the Cox Model. Statistical Papers. DOI 10.1007/s00362-013-0523-0
Google Scholar
Breslow, N. E. (1975) Analysis of Survival Data under the Proportional Hazards Model". International Statistical Review 43, 45-58
Google Scholar
Cox, R.D. (1972) Regression model and life tables. J. Roy. Statist. Soc. Ser. B 34, 187-220
Google Scholar
Imbens G. W. and Rubin D. B. (1997). Bayesian Inference for Causal Effects in Randomized Experiments. The Annals of Statistics. Vol. 25, No. 1, 305-327
Google Scholar
Holland P.W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association. Theory and Methods. Vol. 81, No 396, 945-960
Google Scholar
Neyman J. 1923 (1990). “On the Application of Probability Theory to Agricultural Experiments. Essay on Principles. Section 9.” Statistical Science 5 (4): 465-472. Trans. Dorota M. Dabrowska and Terence P. Speed
Google Scholar
Pearl J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press
Google Scholar
Pearl J. (2009). Causal inference in statistics: An overview. Statistics Survey. Vol 3. 96-146
Google Scholar
Pyy-Martikainen, M. and Rendtel, U. (2008) Assessing the impact of initial nonresponseand attrition in the analysis of unemployment duration with panel surveys. Advances In Statistical Analysis, Vol. 92, 297-318
Google Scholar
Spława-Neyman J. (1923). Próba uzasadnienia zastosowań rachunku prawdopodobieństwa do doświadczeń polowych. „Roczniki Nauk Rolniczych i Leśnych” t. 10, s. 1-51
Google Scholar
Stoop I., Billiet J., Koch A. and Fitzgerald R. (2010) Improvind Survey Response, Lessons Learned from European Social Survey. Wiley
Google Scholar
Rubin D.B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology. Vol. 66, No. 5 688-701
Google Scholar
Rubin D.B. (1975). Bayesian inference for causality: the importance of randomization. Proc. Social Statistics Section. Am. Statist. Assoc. p. 233-239
Google Scholar
Rubin D. (1976). Inference and missing data. Biometrika 63, 581-592
Google Scholar
Rubin, D.B. (1978). Bayesian inference for causal effects. The role of randomization. Ann. Statist. 7, 34-58
Google Scholar
Rubin, D.B. (1990). Comment: Neyman (1923) and Causal Inference in Experiments and Observational Studies. Statistical Science. Vol.5 No. 4, 472-480
Google Scholar
Rubin, D.B. (2004). Direct and Indirect Causal Effects via Potential Outcomes. Scandinavian Journal of Statistics 31, 161-170
Google Scholar
Suppes P.C. (1970). A probabilistic Theory of Causality. Amsterdam, North Holland
Google Scholar
Van den Berg, G. J., Lindeboom M. M., Dolton P. (2006). Survey nonresponse and the duration of unemployment, Journal of the Royal Statistical Society: Series A (Statistics in Society), Vol. 169, Number 3, 585-604, (2006)
Google Scholar
