區位推論的統計模型：發展、比較與評估

所謂「區位推論」，爲當研究者可得資料爲集體層次，而研究旨趣與目的是個體層次關聯性，因而產生研究目的與資料分析單位層次不相符之情形。如何運用適當的統計方法與程序，從已知的總體集合資訊推估未知個體層次關聯性，即是區位推論首要關注的問題。 本文的主要目的，在於回顧區位推論模型的發展歷程，同時比較幾個主要區位推論模型在估計上的表現。筆者首先回顧了區位推論模型的發展，以Goodman迴歸、King EI模型以及階層模型爲例，說明這三種主要的區位推論模型於統計元素上的特點。接著，運用模擬實驗的研究設計，筆者嘗試評估三者模型在「不偏性」與「有效性」統計性質的表現。在比較不同已知資訊分佈型態後，本文的模擬實驗結果顯示，在放寬估計係數的機率分配假定、置入較精確的函數形式以及更爲彈性的階層結構後，Wakefield的階層模型具有較佳的估計性質，同時也能有效的矯正極端值的估計。