Fuente: Microsoft AI Good Lab

simulasi ini mengevaluasi pengaruh ukuran sampel (n), variabilitas data (SD), dan tingkat pengetahuan parameter populasi terhadap lebar rentang Interval Kepercayaan (CI) 95%. Berdasarkan pengujian tiga skenario mandiri, diperoleh kesimpulan bahwa peningkatan ukuran sampel secara konsisten mempersempit lebar interval sehingga meningkatkan presisi estimasi. Sebaliknya, peningkatan variabilitas data (standar deviasi) memperlebar interval akibat meningkatnya ketidakpastian dalam populasi. Terakhir, kondisi di mana standar deviasi populasi tidak diketahui (menggunakan distribusi t) menghasilkan rentang interval yang lebih lebar dibandingkan dengan kondisi standar deviasi diketahui (menggunakan distribusi Z), guna mengompensasi bias ketidakpastian tambahan, terutama pada ukuran sampel yang kecil (n = 5).

Simulasi ini menerapkan metode Bootstrap untuk menganalisis karakteristik statistik dari suatu populasi buatan yang berdistribusi normal. Melalui proses penarikan sampel acak dengan pengembalian (resampling with replacement) sebanyak 50 kali pengulangan, nilai rata-rata dari setiap sampel dihitung dan disimpan untuk dievaluasi penyebarannya melalui visualisasi histogram. Hasil visualisasi tersebut menunjukkan bahwa distribusi rata-rata sampel bootstrap memusat secara sempit di sekitar nilai parameter asli populasi dibandingkan dengan sebaran data aslinya, yang secara empiris membuktikan bekerjanya Teorema Limit Pusat dan konsistensi metode Bootstrap dalam mengestimasi parameter populasi.

Este informe técnico evalúa los determinantes estructurales del desempleo y la informalidad en la población juvenil colombiana, utilizando microdatos de la Gran Encuesta Integrada de Hogares (GEIH). A través de la estimación secuencial de modelos de probabilidad lineal (LPM) y de respuesta binaria no lineal (Logit y Probit), se identificó que el capital humano avanzado es el principal factor protector frente a la exclusión. Para preservar la varianza original y evitar la pérdida de información, se omitió el agrupamiento artificial de categorías, estabilizando el cálculo de varianzas mediante el uso de errores estándar robustos tipo HC1. Se evidenció, además, una fuerte asimetría espacial que penaliza a los jóvenes ubicados fuera de las cabeceras urbanas. La evaluación predictiva fuera de muestra (Machine Learning) validó el modelo Logit como un motor analítico robusto para la focalización ex-ante de Políticas Activas de Mercado Laboral (PAML) de alta sofisticación técnica.

We describe the analysis of community food environments in VA.