Zusammenfassung:
Für Deutschland und andere entwickelte Länder werden Methoden zur Schätzung von sozioökonomischen Indikatoren auf räumlich disaggregierter Ebene benötigt, ohne dabei Populations-Mikrodaten zu verwenden, die meist nicht öffentlich verfügbar sind. Viele sozioökonomische Indikatoren, zum Beispiel Einkommen, sind schief verteilt, weswegen zur Erfüllung der Annahmen der Modelle (datengetriebene) Transformationen der abhängigen Variablen verwendet werden. Hierfür werden Verzerrungs-Korrekturen für die Small-Area-Vorhersagen benötigt. Die vorgestellte Methodik zur Verzerrungs-Korrektur basiert auf einer Kerndichte-Schätzung. Sie wird auf Daten des Sozio-oekonomischen Panels 2011 angewendet, um das durchschnittliche Bruttoeinkommen für 96 deutsche Raumordnungsregionen zu schätzen
Zusammenfassung (übersetzt):
For Germany and other developed countries, methods are needed to estimate socioeconomic indicators at a spatially disaggregated level without using population microdata, which are usually not publicly available. Many socio-economic indicators, such as income, are skewed, and therefore (data-driven) transformations of the dependent variable are used to satisfy the model assumptions. This requires bias corrections for the small area predictions. The bias correction methodology presented in this article is based on kernel density estimation. It is applied to data from the Socio-Economic Panel 2011 to estimate the average gross income for 96 German spatial planning regions.
