📊 statistics

Dual system estimation using mixed effects loglinear models

Diese Arbeit untersucht die Verwendung von gemischten loglinearen Modellen mit zufälligen Effekten für die Schätzung von Dual-Systemen und zeigt durch Simulationen auf, dass diese im Vergleich zu Standardansätzen mit festen Effekten eine leichte Verbesserung des mittleren quadratischen Fehlers bieten, während sie gleichzeitig einen Rahmen für die Erweiterung auf die Schätzung multipler Systeme bereitstellen.

Ursprüngliche Autoren: Ceejay Hammond, Paul A. Smith, Peter G. M. van der Heijden

Veröffentlicht 2026-06-09

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Ceejay Hammond, Paul A. Smith, Peter G. M. van der Heijden

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen zu zählen, wie viele Menschen in einem großen Land leben. Sie können nicht einfach jeden fragen, also entscheiden Sie sich, zwei verschiedene „Listen“ (wie eine Wählerregistrierungsliste und eine Steuerdatensammlung) zu verwenden, um sie zu finden. Dies nennt man Dual-System-Schätzung.

Die Grundidee ist einfach: Sie schauen sich an, wer auf Liste A steht, wer auf Liste B steht und wer auf beiden Listen steht. Durch ein wenig Mathematik können Sie schätzen, wie viele Menschen auf keiner der Listen stehen (die „verborgene“ Population).

Es gibt jedoch einen Haken: Wenn Sie versucht, dies für das ganze Land auf einmal zu tun, wird die Mathematik kompliziert, weil Menschen in verschiedenen Orten (wie verschiedenen Städten oder Regionen) sich unterschiedlich verhalten. Daher unterteilen Statistiker das Land normalerweise in kleinere Stücke (Strata) und führen die Berechnungen für jedes Stück separat durch.

Das Problem: Das „Kleingruppen-Dilemma“

Das Paper vergleicht zwei Wege, wie man diese Stücke handhabt:

Der „Fixed Effects“-Ansatz (Der alte Weg): Er behandelt jede einzelne Region als eine völlig separate Insel. Er berechnet das Ergebnis für Region A nur unter Verwendung von Daten aus Region A, macht dann dasselbe für Region B und so weiter.
- Der Fehler: Wenn eine Region klein ist oder sehr wenige Menschen auf den Listen hat, wird die Mathematik unsicher. Es ist, als würde man versuchen, die durchschnittliche Körpergröße einer Basketballmannschaft zu schätzen, indem man nur einen einzigen Spieler betrachtet. Die Schätzung könnte völlig falsch sein oder sogar unmöglich (unendlich) werden.
Der „Mixed Effects“-Ansatz (Der neue Weg): Er behandelt die Regionen als Teil einer größeren Familie. Er geht davon aus, dass zwar jede Region einzigartig ist, sie aber alle einige gemeinsame Merkmale teilen.
- Die Analogie: Stellen Sie sich vor, Sie schätzen das Gewicht von Äpfeln in 30 verschiedenen Obstplantagen.
  - Fixed Effects: Sie wiegen die Äpfel in Plantage A und schätzen das Gesamtgewicht für Plantage A, ohne nach Plantage B zu schauen. Wenn Plantage A nur 3 Äpfel hat, ist Ihre Schätzung ein reines Ratespiel.
  - Mixed Effects: Sie wiegen die Äpfel in allen 30 Plantagen. Wenn Plantage A sehr wenige Äpfel hat, sagt das Modell: „Nun, die anderen Plantagen haben im Durchschnitt 100 Pfund pro Baum, also schätzen wir, dass Plantage A wahrscheinlich in der Nähe davon liegt, aber leicht angepasst an das, was wir in Plantage A tatsächlich gesehen haben.“
- Die Magie: Dies wird als „Shrinkage“ (Schrumpfung) bezeichnet. Das Modell „schrumpft“ die wilden Schätzungen aus kleinen Regionen in Richtung des Gesamtdurchschnitts. Es leiht sich die Stärke aus den großen, gut beprobten Regionen, um den kleinen, schlecht beprobten Regionen zu helfen.

Was das Paper gemacht hat

Die Autoren führten Tausende von Computersimulationen durch, um zu sehen, welche Methode besser funktioniert. Sie erstellten fiktive Populationen mit unterschiedlichen Größen (von winzigen Städten bis hin zu riesigen Metropolen) und teilten sie in verschiedene Anzahlen von Regionen auf (von 5 bis 30). Sie testeten auch, ob die Mathematik zusammenbrach, wenn die Daten nicht perfekt „normal“ verteilt waren (wie zum Beispiel bei einer schiefen Verteilung).

Die Ergebnisse

Genauigkeit: Die „Mixed Effects“-Methode (der Familienansatz) war etwas besser als die „Fixed Effects“-Methode (der Inselansatz). Sie machte weniger Fehler, insbesondere wenn die Regionen klein oder die Daten spärlich waren.
Robustheit: Selbst wenn die Daten nicht den perfekten mathematischen Regeln folgten (wie etwa bei einer schiefen Verteilung), hielt die Mixed-Effects-Methode gut stand. Sie stürzte nicht ab.
Der Chapman-Schätzer: Das Paper untersuchte auch eine spezifische Korrektur namens „Chapman-Schätzer“ (eine mathematische Anpassung der alten Methode zur Reduzierung von Fehlern). Obwohl die Chapman-Korrektur der alten Methode half, war die neue Mixed-Effects-Methode in Bezug auf die Gesamtgenauigkeit und Stabilität immer noch leicht überlegen.

Das Fazit

Wenn Sie versuchen, eine verborgene Population mithilfe von zwei Listen zu zählen und Sie die Daten in viele kleine Regionen unterteilen müssen, ist das Mixed Effects Loglinear Model das intelligentere Werkzeug. Es ist wie ein Sicherheitsnetz: Wenn die Daten einer Region schwach sind, nutzt das Modell die Informationen aus den anderen Regionen, um zu verhindern, dass die Schätzung ins Bodenlose stürzt.

Das Paper erwähnt auch, dass dieselbe „Familienlogik“ angewendet werden kann, wenn man drei Listen statt zwei hat (Multiple System Estimation), aber der Kernbefund bleibt gleich: Das Ausleihen von Stärke aus der gesamten Gruppe hilft dabei, eine bessere Zählung für die einzelnen Teile zu erhalten.

Technisches Resümee: Schätzung mit dualen Systemen mittels gemischter Effekt-Loglinear-Modelle

1. Problemstellung

Die Schätzung mit dualen Systemen (Dual System Estimation, DSE) ist ein Standardwerkzeug in der amtlichen Statistik zur Schätzung der Populationsgröße durch die Verknüpfung zweier Datenquellen und die Schätzung der Anzahl der von beiden Listen nicht erfassten Einheiten. Die Methode beruht auf der Annahme der Unabhängigkeit zwischen den beiden Listen und homogenen Einschlusswahrscheinlichkeiten. Um die Homogenitätsannahme zu erfüllen, wird DSE häufig nach Variablen wie der Region stratifiziert.

Der Standardansatz verwendet Log-Linear-Modelle mit festen Effekten (Fixed Effects), welche die Parameter für jede Ebene der stratifizierenden Variable schätzen. Dieser Ansatz steht vor erheblichen Herausforderungen:

Parameterproliferation: Wenn die Anzahl der Stratifizierungsebenen (z. B. Regionen) groß ist, wird die Anzahl der Parameter unhandlich.
Stichprobenverzerrung (Small Sample Bias): In Szenarien mit vielen Schichten und kleinen Stichprobengrößen innerhalb jeder Schicht führen Modelle mit festen Effekten (und der Standard-Lincoln-Petersen-Schätzer) zu verzerrten Schätzungen.
Unendliche Schätzwerte: In Fällen, in denen die Schnittmenge beider Listen innerhalb einer bestimmten Schicht leer ist ( $n_{11}=0$ ), liefert der Fixed-Effects-Schätzer unendliche Populationsschätzungen.

Während der Chapman-Schätzer häufig eingesetzt wird, um die Small-Sample-Verzerrung in Modellen mit festen Effekten zu mildern, adressiert er nicht die Ineffizienz der unabhängigen Schätzung vieler Parameter. Dieses Paper untersucht den Einsatz von gemischten Effekt-Loglinear-Modellen (auch bekannt als Multilevel- oder hierarchische Modelle) als Alternative. Diese Modelle ersetzen die festen Parameter für stratifizierende Variablen durch Zufallseffekte (Random Effects), die aus einer Verteilung gezogen werden, was ein „Lernen durch Gruppenbildung“ (Borrowing Strength) über Gruppen hinweg ermöglicht, um die Stabilität der Schätzung zu verbessern.

2. Methodik

2.1. Log-Linear-Modelle mit festen Effekten (Fixed Effects)

Die Autoren definieren die Baseline mittels Poisson-Regression mit einem Log-Link.

Ohne Stratifizierung: Ein gesättigtes Modell für zwei Listen ( $A$ und $B$ ) umfasst einen Intercept und Interaktionsterme. Da die Zelle für Einheiten, die von beiden Listen verpasst wurden ( $A=0, B=0$ ), nicht beobachtet wird, nimmt das Modell Unabhängigkeit an, was das Modell auf eine bedingte Unabhängigkeitsform reduziert.
Mit Stratifizierung: Wenn eine stratifizierende Variable $R$ (z. B. Region) eingeführt wird, passt der Standardansatz ein bedingtes Unabhängigkeitsmodell $[AR][BR]$ für jede Ebene $l$ von $R$ an. Dies führt zu einem separaten Satz von Parametern für jede Region, was zu einem maximalen Modell mit null Freiheitsgraden führt.

2.2. Log-Linear-Modelle mit gemischten Effekten (Mixed Effects)

Der Kernvorschlag besteht darin, die mit festen Effekten assoziierten Variablen der stratifizierenden Variable ( $R$ ) und deren Interaktionen durch Zufallseffekte zu ersetzen.

Modellstruktur: Das Log-Linear-Modell wird umparametrisiert, um einen Random Intercept ( $u_{0l}$ ) und Random Slopes ( $u_{1il}, u_{2jl}$ ) für die Einschlusswahrscheinlichkeiten der Listen $A$ und $B$ über die Regionen hinweg zu enthalten.
$\log \mu_{ijl} = (\lambda + u_{0l}) + \lambda^A_i + \lambda^B_j + u_{1il} + u_{2jl}$
Hierbei erfasst $u_{0l} \sim N(0, \sigma^2_{u0})$ die Variabilität der Populationsgröße zwischen den Regionen, während die Slope-Terme die Variabilität der Erfassungswahrscheinlichkeiten erfassen.
Shrinkage-Schätzung: Die Schätzer der Zufallseffekte fungieren als Shrinkage-Schätzer (Best Unbiased Predictors). Die Schätzwerte der Gruppenebene werden („geschrumpft“) in Richtung des Gesamtdurchschnitts gezogen, gewichtet durch die Zuverlässigkeit der Gruppendaten (Stichprobengröße) und die Distanz zum globalen Mittelwert. Dies reduziert die Varianz und mildert die Small-Sample-Verzerrung, ohne unendliche Schätzwerte zu erzeugen.
Implementierung: Die Modelle werden unter Verwendung des Pakets lme4 in R implementiert, wobei der bobyqa-Optimizer verwendet wird, um Konvergenzprobleme zu handhaben, die bei geringen Zellenzählungen auftreten.

2.3. Bias-Reduktion und Erweiterungen

Chapman-Schätzer: Für Modelle mit festen Effekten wenden die Autoren den Chapman-Schätzer an (Hinzufügen von 1 zur $n_{11}$ -Zelle), um die Small-Sample-Verzerrung zu reduzieren. Diese Anpassung wird bei Modellen mit gemischten Effekten nicht angewendet, da der Shrinkage-Mechanismus eine ähnliche Funktion zur Bias-Reduktion erfüllt.
Multiple System Estimation (MSE): Die Methodik wird auf drei Listen (Triple System Estimation) erweitert. Die Autoren formulieren ein Mixed-Effects-Modell für Dreier-Kontingenztabellen, indem sie feste Interaktionsterme durch Zufallseffekte ersetzen, um die unobservierte Zelle ( $A=0, B=0, C=0$ ) zu schätzen.

3. Design der Simulationsstudie

Die Autoren führten eine umfassende Simulationsstudie durch, um die Leistungsfähigkeit von Mixed-Effects-Modellen gegenüber Fixed-Effects-Modellen (mit und ohne Chapman-Korrektur) zu bewerten.

Variierte Faktoren:
- Populationsgröße ( $N$ ): Reichend von 500 bis 300.000.
- Anzahl der Regionen: 5 bis 30.
- Erfassungswahrscheinlichkeiten: Hohe ( $\pi_A=0,8, \pi_B=0,7$ ) und niedrige ( $\pi_A=0,4, \pi_B=0,2$ ) Szenarien.
- Verteilungen der Zufallseffekte: Normal (angenommen), Lognormal und Pareto (um die Robustheit gegenüber Verletzungen der Normalverteilung zu testen).
Metriken: Die Leistung wurde anhand des mittleren absoluten relativen Bias (Mean Absolute Relative Bias, MARb), des Variationskoeffizienten (CV) und des mittleren quadratischen Fehlers (Mean Squared Error, MSE) bewertet.

4. Kernergebnisse

Leistungsvergleich: Das Log-Linear-Modell mit gemischten Effekten übertraf das Fixed-Effects-Modell konsistent oder schnitt ähnlich gut ab wie der Fixed-Effects-Ansatz mit Chapman-Korrektur.
- Bias: Das Mixed-Effects-Modell zeigte einen geringeren MARb, insbesondere in Szenarien mit kleinen Populationsgrößen und einer großen Anzahl von Regionen (wo die Zellenzählungen spärlich sind).
- Varianz: Das Mixed-Effects-Modell wies eine geringere Variabilität (CV) im Vergleich zu Fixed-Effects-Modellen auf, insbesondere wenn die Stichprobengrößen klein waren.
Robustheit gegenüber Verteilungsannahmen: Die Ergebnisse zeigten, dass das Mixed-Effects-Modell robust gegenüber Verletzungen der Normalverteilungsannahme ist. Schätzungen, die aus Lognormal- und Pareto-verteilten Zufallseffekten abgeleitet wurden, lieferten MARb- und CV-Werte, die mit denen vergleichbar waren, bei denen die Normalverteilungsannahme galt.
Verhalten bei kleinen Stichproben: In Szenarien, in denen Fixed-Effects-Modelle ohne Chapman-Korrektur aufgrund von Nullwerten in der Schnittmenge unendliche Schätzwerte produzierten, lieferte das Mixed-Effects-Modell stabile, endliche Schätzwerte.
Ausmaß der Verbesserung: Obwohl das Mixed-Effects-Modell besser abschnitt, stellen die Autoren fest, dass die Verbesserung des mittleren quadratischen Fehlers (MSE) gegenüber dem Fixed-Effects-Modell mit Chapman-Korrektur im Allgemeinen gering ausfiel.

5. Bedeutung und Behauptungen

Das Paper behauptt, dass Log-Linear-Modelle mit gemischten Effekten eine praktikable und robuste Alternative zu traditionellen Fixed-Effects-Ansätzen in der Dualen System-Schätzung bieten, insbesondere im Kontext der amtlichen Statistik bei:

Vielen Schichten: Situationen, in denen die Anzahl der Regionen groß im Verhältnis zur Gesamtpopulation ist.
Kleinen Stichprobengrößen: Szenarien, in denen die einzelnen Schichten nur spärliche Daten aufweisen, was zu Instabilitäten in den Fixed-Effects-Schätzungen führt.
Niedrigen Erfassungswahrscheinlichkeiten: Kontexten, in denen die Einschlusswahrscheinlichkeiten niedrig sind, was das Risiko leerer Zellen erhöht.

Die Autoren kommen zu dem Schluss, dass der Chapman-Schätzer zwar weiterhin eine starke Leistung erbringt, Mixed-Effects-Modelle jedoch einen „bias-robusten Ansatz“ bieten, der Informationen über alle Gruppen hinweg nutzt. Dieser Ansatz handhabt den Trade-off zwischen Bias und Varianz auf natürliche Weise, reduziert das Risiko unendlicher Schätzwerte und verbessert die Gesamtpräzision in schwierigen Schätzungsszenarien. Die Methodik lässt sich erfolgreich auf die Multiple-System-Estimation erweitieren, was auf eine breite Anwendbarkeit über das Dual-System-Szenario hinaus hindeutet.

Das Paper wahrt einen bescheidenen Ton und räumt ein, dass das Mixed-Effects-Modell zwar das Fixed-Effects-Modell übertrifft, die Gewinne beim mittleren quadratischen Fehler in den getesteten Szenarien jedoch oft marginal sind. Dennoch werden die Stabilität und Robustheit des Mixed-Effects-Ansatzes in Small-Sample/High-Strata-Umgebungen als seine primären Vorteile hervorgehoben.