Analyzing population representative datasets for local level estimation and prediction purposes is important for monitoring public health, however, there are many statistical challenges associated with such analyses. Small area estimation (SAE) with post-stratified hierarchical mixed-effects models is a popular method for analysis. Post-stratification is a method that creates area-level predictions from a model fitting using sub-area-level covariates by incorporating auxiliary information (i.e., census data). While the post-stratification is an intuitive approach, the predictive benefits of post-stratification over standard methods with hierarchical mixed-effects models remain unclear. Another challenge for analyzing this type of data is the incorporation of sampling weights, as common data sources utilize complex sampling designs with uneven sampling probabilities. In addition, estimating the mean squared prediction error (MSPE) can be difficult via asymptotic theory due to the complex sampling designs and post-stratification process. Bootstrap methods can be an alternative, however there are many bootstrapping methods to choose from and their properties in realistic scenarios are unclear. In this paper, we compared the predictive ability of post-stratified and non-post-stratified estimators and evaluate the performance of various bootstrapping methods in estimating the MSPE with simulated data. Further, we compare the results using a population-based survey used to estimate the county-level prevalence of smoking in the state of South Carolina.

分析具有当地水平估计和预测目的的人口代表性数据集对于监测公共卫生很重要，但是，与此类分析相关的统计挑战也很多。具有后分层分层混合效应模型的小面积估计 (SAE) 是一种流行的分析方法。后分层是一种方法，通过结合辅助信息（即人口普查数据），使用子区域级协变量从模型拟合创建区域级预测。虽然后分层是一种直观的方法，但后分层相对于具有分层混合效应模型的标准方法的预测优势仍不清楚。分析此类数据的另一个挑战是采样权重的合并，因为常见的数据源使用具有不均匀抽样概率的复杂抽样设计。此外，由于复杂的抽样设计和后分层过程，通过渐近理论估计均方预测误差 (MSPE) 可能很困难。Bootstrap 方法可以作为替代方法，但是有许多 bootstrap 方法可供选择，并且它们在实际场景中的属性尚不清楚。在本文中，我们比较了后分层和非后分层估计器的预测能力，并评估了各种自举方法在使用模拟数据估计 MSPE 时的性能。此外，我们使用基于人口的调查来比较结果，该调查用于估计南卡罗来纳州县级吸烟率。由于复杂的抽样设计和后分层过程，通过渐近理论估计均方预测误差 (MSPE) 可能很困难。Bootstrap 方法可以作为替代方法，但是有许多 bootstrap 方法可供选择，并且它们在实际场景中的属性尚不清楚。在本文中，我们比较了后分层和非后分层估计器的预测能力，并评估了各种自举方法在使用模拟数据估计 MSPE 时的性能。此外，我们使用基于人口的调查来比较结果，该调查用于估计南卡罗来纳州县级吸烟率。由于复杂的抽样设计和后分层过程，通过渐近理论估计均方预测误差 (MSPE) 可能很困难。Bootstrap 方法可以作为替代方法，但是有许多 bootstrap 方法可供选择，并且它们在实际场景中的属性尚不清楚。在本文中，我们比较了后分层和非后分层估计器的预测能力，并评估了各种自举方法在使用模拟数据估计 MSPE 时的性能。此外，我们使用基于人口的调查来比较结果，该调查用于估计南卡罗来纳州县级吸烟率。然而，有许多引导方法可供选择，并且它们在现实场景中的特性尚不清楚。在本文中，我们比较了后分层和非后分层估计器的预测能力，并评估了各种自举方法在使用模拟数据估计 MSPE 时的性能。此外，我们使用基于人口的调查来比较结果，该调查用于估计南卡罗来纳州县级吸烟率。然而，有许多引导方法可供选择，并且它们在现实场景中的特性尚不清楚。在本文中，我们比较了后分层和非后分层估计器的预测能力，并评估了各种自举方法在使用模拟数据估计 MSPE 时的性能。此外，我们使用基于人口的调查来比较结果，该调查用于估计南卡罗来纳州县级吸烟率。