Small Area Estimation using EBLUPs under the Nested Error Regression Model

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التقدير للمناطق الصغيرة باستخدام مقدرات EBLUP تحت نموذج الانحدار ذو الخطأ المتداخل" (Small Area Estimation using EBLUPs under the Nested Error Regression Model) من تأليف زيانغ ليو وأ. هـ. ويلش.

1. بيان المشكلة

يهدف التقدير للمناطق الصغيرة (SAE) إلى إنتاج تقديرات موثوقة للخصائص النوعية للمجالات (مثل المتوسطات أو المجاميع) عندما تعاني تقديرات المسح المباشرة من أخطاء معيارية كبيرة بسبب أحجام العينات الصغيرة داخل تلك المجالات.

• التحدي الجوهري: يعتمد التقدير القائم على النموذج التقليدي للمناطق الصغيرة (SAE) على نموذج الانحدار ذو الخطأ المتداخل (NER) (أو نموذج التقاطع العشوائي). توجد فجوة نظرية كبيرة في الإطار التقاربي القياسي، الذي يفترض أن عدد المناطق ($g$) يزداد بينما تظل أحجام المناطق ($N_i$) ثابتة. في ظل هذا الإطار:
  • المقدرات ليست متسقة.
  • التوزيعات التقاربية غير معروفة.
  • استخراج مقدرات دقيقة لمتوسط مربع الخطأ (MSE) وفترات التنبؤ الصالحة أمر صعب.
  • هناك غموض بشأن هدف التقدير: هل هو المتوسط الفعلي للمنطقة الصغيرة ($\bar{y}_i$) أم المتنبئ الخطي الشرطي ($\eta_i$، وهو التوقع المشروط بالآثار العشوائية). وبينما يتم التعامل معهما غالباً كبدائل لبعضهما البعض، إلا أن لهما تباينات ومتوسطات مربعة أخطاء مختلفة.
• الهدف: يسعى المؤلفان إلى إرساء إطار نظري صارم يسمح باشتقاق مقدرات بسيطة ودقيقة لمتوسط مربع الخطأ (MSE) وفترات تنبؤ صالحة من خلال تخفيف قيد "ثبات حجم المنطقة".

2. المنهجية

أ. الإطار التقاربي

تقدم الورقة إطاراً تقاربياً جديداً حيث يؤول كل من عدد المناطق الصغيرة ($g$) والحد الأدنى لحجم عينة المنطقة ($n_L$) إلى اللانهاية. وهذا يتناقض مع إطار كاكار وهارفييل (1981) / براساد وراو (1990) القياسي.

• النموذج: نموذج الانحدار ذو الخطأ المتداخل: $y_{ij} = \mu(x_{ij}) + \alpha_i + e_{ij}$، حيث $\alpha_i$ هي الآثار العشوائية للمناطق، و $e_{ij}$ هي أخطاء مستوى الوحدة. يميز المؤلفان بين المتغيرات المستقلة داخل المنطقة والمتغيرات المستقلة بين المناطق.
• الأهداف:
  1. $\bar{y}_i$: المتوسط الفعلي للمجتمع المحدود للمنطقة $i$.
  2. $\eta_i$: التوقع الشرطي $E(\bar{y}_i | \text{الآثار العشوائية})$.
• المقدرات: يحلل المؤلفان مقدرات أفضل التنبؤات الخطية غير المتحيزة تجريبياً (EBLUPs) لكلا الهدفين، ويرمز لهما بـ $\hat{M}^{sam}_i$ (لـ $\bar{y}_i$) و $\hat{M}^{clp}_i$ (لـ $\eta_i$).

ب. الاشتقاقات النظرية

باستخدام النتائج الحديثة حول تقدير المعلمات (Lyu & Welsh, 2022) ومقدرات EBLUP (Lyu & Welsh, 2021)، يشتق المؤلفان ما يلي:

1. الخطية التقاربية: يثبتون أن المقدرات يمكن تقريبها بدوال خطية للأخطاء.
2. نظريات الحد المركزي (CLT): يثبتون أن المقدرات تتبع توزيعاً طبيعياً تقاربياً.
   • بالنسبة لـ $\hat{M}^{sam}_i$، يعتمد التوزيع التقاربي على الهدف $\bar{y}_i$ وحد الخطأ.
   • والأهم من ذلك، يظهرون أنه تحت شرط زيادة حجم المنطقة، فإن الفرق بين الهدفين ($\bar{y}_i - \eta_i$) يتلاشى بمعدل $O_p(N_i^{-1/2})$، مما يجعل المقدرات متكافئة تقاربياً.
3. تعبيرات بسيطة لـ MSE: يشتقون تعبيراً بسيطاً للغاية لمتوسط مربع الخطأ التقاربي:
   $$MSE_{LW,i} \approx n_i^{-1} k_i \sigma_e^2$$
   حيث $k_i = (N_i - n_i)/N_i$ هو كسر عدم المعاينة. وهذا يؤدي إلى مقدر بسيط $\widehat{MSE}_{LW,i} = n_i^{-1} k_i \hat{\sigma}_e^2$.
4. فترات التنبؤ: بناءً على نظرية الحد المركزي، يشتقون فترات تنبؤ بسيطة قائمة على التوزيع الطبيعي (يُرمز لها بـ sam-LW و clp-LW) والتي تضمن تغطية تقاربية صحيحة دون افتراض التوزيع الطبيعي للآثار العشوائية أو الأخطاء.

ج. الدراسات المحاكاتية

يتحقق المؤلفان من نظريتهما من خلال نوعين من المحاكاة:

1. محاكاة قائمة على النموذج: توليد بيانات من نموذج NER مع تغيير قيم $g$ و $N_i$ والتوزيعات غير الطبيعية لاختبار أداء مقدر LW (Lyu-Welsh) المقترح مقابل مقدر Prasad-Rao (PR) واسع الاستخدام.
2. محاكاة قائمة على التصميم: استخدام بيانات حقيقية (إنفاق المستهلك الأمريكي على الحليب الطازج) كمجتمع ثابت. يقومون بأخذ عينات متكررة من هذا المجتمع الثابت لتقييم الخصائص القائمة على التصميم للمقدرات القائمة على النموذج (التحيز، التغطية).

3. المساهمات الرئيسية

1. إطار تقاربي جديد: نجحت الورقة في تطبيق إطار تقاربي لـ "زيادة حجم المنطقة" على التقدير للمناطق الصغيرة (SAE). وهذا يتغلب على قيود تقارب "ثبات حجم المنطقة"، مما يسمح باشتقاق مقدرات متسقة وتوزيعات تقاربية معروفة.
2. تبسيط تقدير MSE: يقدم المؤلفان تعبيراً مغلق الشكل وبسيطاً لـ MSE التقاربي ($n_i^{-1} k_i \sigma_e^2$). وهذا أبسط بكثير من توسعات تايلور من الدرجة الثانية المعقدة المستخدمة في منهجية براساد-راو.
3. التوحيد النظري: يوضحون أنه تحت إطارهم، يصبح التمييز بين تقدير المتوسط الفعلي ($\bar{y}_i$) والمتنبئ الشرطي ($\eta_i$) ضئيلاً من الناحية التقاربية، مما يبرر الممارسة الشائعة لمعاملتهما كبدائل لبعضهما في المناطق الكبيرة.
4. رؤى قائمة على التصميم: تكشف الدراسة عن تباين حرج بين الخصائص القائمة على النموذج والخصائص القائمة على التصميم. فبينما تفترض النظرية القائمة على النموذج أن الآثار العشوائية يتم توليدها من جديد في كل تكرار، فإن الاستدلال القائم على التصميم يعامل المجتمع (وبالتالي الآثار العشوائية) كقيم ثابتة.

4. النتائج

نتائج المحاكاة القائمة على النموذج

• الأداء: يعمل مقدر MSE المقترح (LW) بشكل جيد أو أفضل من مقدر Prasad-Rao (PR) في العينات المحدودة، حتى مع وجود 15 منطقة فقط و20 وحدة لكل منطقة.
• البساطة: مقدر LW أبسط بكثير من حيث الحساب والتفسير.
• التغطية: تحقق فترات التنبؤ التي تم إنشاؤها باستخدام مقدر LW مستويات التغطية الاسمية بنسبة 95% بدقة.
• التحفظ: يميل مقدر PR إلى أن يكون أكثر تحفظاً (MSE أكبر، فترات أوسع) من مقدر LW، وهو ما يتماشى مع التوقعات النظرية بأن PR يقرب MSE الخاص بـ $\eta_i$ (وهو الأكبر) حتى عند تقدير $\bar{y}_i$.

نتائج المحاكاة القائمة على التصميم (بيانات حقيقية)

• نتائج مفاجئة: في المحاكاة القائمة على التصميم باستخدام بيانات الإنفاق على الحليب، فشلت الفترات القائمة على النموذج (خاصة للمتنبئ الشرطي، clp-LW) في تحقيق التغطية الاسمية لبعض الولايات (المجموعة 3).
• التفسير: حدث الفشل في الولايات ذات الآثار العشوائية القصوى (EBLUPs) وأحجام العينات الصغيرة إلى المتوسطة.
  • من منظور قائم على النموذج: الآثار العشوائية هي تجليات مستقلة ومتماثلة (i.i.d.)؛ والقيم القصوى هي مجرد سحبات نادرة.
  • من منظور قائم على التصميم: المجتمع ثابت. إذا كانت لولاية معينة أثر عشوائي ثابت وكبير، فإن EBLUP يحاول تقدير قيمة ثابتة ومتطرفة. التباين القياسي للنموذج يقلل من تقدير صعوبة تقدير هذه القيم المتطرفة الثابتة في سياق قائم على التصميم.
• الحل: عندما أعاد المؤلفون تشغيل المحاكاة مع معاملة الآثار المناطقية كـ آثار ثابتة (باستخدام نموذج انحدار ذي آثار ثابتة)، عملت فترات التنبؤ بشكل جيد. وهذا يؤكد أن الأداء الضعيف لمقدرات النماذج المختلطة في السياقات القائمة على التصميم للمناطق ذات الخصائص المتطرفة والمنخفضة في حجم العينة، مدفوع بصعوبة تقدير الآثار العشوائية الثابتة والمتطرفة.

5. الأهمية

• التقدم النظري: تسد الورقة فجوة نظرية كبرى في التقدير للمناطق الصغيرة (SAE) من خلال تقديم أول تبرير تقاربي صارم لمقدرات النماذج المختلطة تحت إطار زيادة حجم المنطقة. وهي تثبت صلاحية استخدام التقريبات الطبيعية البسيطة للاستدلال.
• الفائدة العملية: يوفر مقدر LW المقترح بديلاً فعالاً من حيث الحوسبة وسليماً من الناحية النظرية لطريقة براساد-راو المعقدة، مما يسهل على الممارسين إنشاء فترات تنبؤ صالحة.
• التمييز الحاسم: تسلط الورقة الضوء على فرق جوهري، غالباً ما يتم تجاهله، بين الاستدلال القائم على النموذج والاستدلال القائم على التصميم في SAE. وهي تحذر من أنه بينما تعمل النماذج المختلطة جيداً للتنبؤ القائم على النموذج، إلا أنها قد تعطي فترات ثقة مضللة في الإعدادات القائمة على التصميم للمناطق ذات الخصائص المتطرفة وأحجام العينات الصغيرة.
• الاتجاه المستقبلي: يقترح المؤلفون أنه بالنسبة للاستدلال القائم على التصميم، فإن معاملة الآثار المناطقية كآثار ثابتة (بدلاً من عشوائية) قد يكون نهجاً أكثر متانة عندما يكون الهدف هو إجراء استدلالات حول مجتمع محدد وثابت.