Weighting a Census as a Non-Probability Sample: A Doubly Robust Framework for Correcting Differential Undercoverage in Uruguay's 2023 Census
Dieses Paper schlägt ein doppelt robustes Gewichtungsverfahren vor, das die Modellierung der Antwortwahrscheinlichkeit mit einer demografischen Kalibrierung kombiniert, um eine nicht-zufällige Untererfassung in Uruguays Zensus 2023 zu korrigieren und dadurch trotz der Einschränkungen verfügbarer Verwaltungsdaten unverzerrte Bevölkerungsschätzungen und Sozialindikatoren zu erzeugen.
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 die uruguayische Volkszählung 2023 als den massiven Versuch vor, ein Foto der gesamten Bevölkerung des Landes zu machen. Idealerweise sollte dieses Foto jeden erfassen, perfekt dokumentieren, wer diese Menschen sind, wo sie leben und wie ihr Leben aussieht.
Das Problem war jedoch, dass das Foto an bestimmten Stellen unscharf wurde. Etwa 10 % der Menschen fehlten auf dem Bild. Schlimmer noch: Diese fehlten nicht zufällig; die Kamera verpasste die Menschen, denen es am schlechtesten ging – die Armen, die Bewohner ländlicher Gebiete und junge Erwachsene. Wenn man nur die Menschen gezählt hätte, die auf dem Foto zu sehen waren, würde man glauben, das Land sei wohlhabender, älter und städtischer, als es tatsächlich ist.
Die Statistiker des Nationalen Instituts für Statistik (INE) mussten dieses „unscharfe Foto“ korrigieren, ohne die Möglichkeit zu haben, das Bild noch einmal neu aufzunehmen. So gingen sie dabei vor, indem sie eine Methode anwandten, die sie „Doubly Robust Weighting“ (doppelt robuste Gewichtung) nennen.
Das Problem: Warum einfaches „Hinzufügen“ nicht funktionierte
Zuerst versuchte die Regierung, die fehlenden Zahlen zu korrigieren, indem sie nach deren „digitalen Fußabdrücken“ suchte – Verwaltungsdaten wie Steuerakten, Gesundheitsakten und Stromrechnungen. Auf diesem Weg fanden sie etwa 350.000 fehlende Personen.
Man kann sich das wie den Versuch vorstellen, ein Puzzle zu reparieren, indem man lose Teile aus einem anderen Karton sucht. Zwar fanden sie damit die Anzahl der fehlenden Menschen, doch diese Teile waren unvollständig. Die digitalen Datensätze lieferten zwar Namen, Alter und den ungefähren Standort der fehlenden Personen, aber sie sagten nichts darüber aus, ob diese Menschen ein Dach über dem Kopf hatten, wie viele Kinder sie hatten oder ob sie in einer überfüllten Wohnung lebten.
Wenn sie diese unvollständigen Teile einfach in das Puzzle eingefügt hätten, wäre das Bild immer noch verzerrt gewesen. Sie brauchten eine Methode, um die fehlenden Details basierend auf den Menschen zu schätzen, die erfolgreich fotografiert wurden.
Die Lösung: Das „doppelt robuste“ Sicherheitsnetz
Die Forscher behandelten die erfolgreich fotografierten Haushalte als eine „Nicht-Wahrscheinlichkeitsstichprobe“. In einfachen Worten bedeutet das: Sie gaben zu: „Wir haben diese Menschen nicht zufällig ausgewählt; die Menschen, die uns hereinließen, waren leichter zu finden. Wir müssen dies korrigieren.“
Um dies zu beheben, bauten sie ein zweiteiliges Sicherheitsnetz auf, das als „Doubly Robust“-Rahmenwerk bezeichnet wird. Stellen Sie sich vor, Sie versuchen, die durchschnittliche Körpergröße einer Menge zu schätzen, aber Sie sehen nur die Menschen, die ganz vorne stehen.
- Modell A (Die Schätzung: „Wer fehlt hiersü?“): Sie betrachteten die Stadtviertel (sogenannte „Segmente“) und fragten: „Wie schwer war es, hier Menschen zu finden?“ Dabei nutzten sie einen cleveren Trick: Sie untersuchten, wie hoch die Online-Abschlussrate der Volkszählung in diesem Viertel war. Wenn ein Viertel eine niedrige Online-Abschlussrate aufwies, nahmen sie an, dass es auch schwierig war, dort Menschen persönlich zu finden. Dies half ihnen zu schätzen, wer fehlte.
- Modell B (Die Schätzung: „Wie sehen sie aus?“): Sie nutzten bekannte Fakten über das Land (Gesamtzahl der Männer, Gesamtzahl der Frauen, Gesamtzahl der Menschen in jeder Stadt), um ein „Zielprofil“ zu erstellen. Sie fragten: „Wenn wir das ganze Land hätten, wie sähe die Alters- und Geschlechterverteilung aus?“
Die Magie des „Doubly Robust“-Verfahrens:
Die Besonderheit dieser Methode ist, dass sie über einen Plan B verfügt.
- Wenn Modell A perfekt ist, aber Modell B leicht daneben liegt, bleibt das Ergebnis dennoch korrekt.
- Wenn Modell B perfekt ist, aber Modell A leicht daneben liegt, bleibt das Ergebnis ebenfalls korrekt.
- Es scheitert nur dann, wenn beide Schätzungen falsch sind.
Dies ist vergleichbar mit zwei verschiedenen Karten, um einen Schatz zu finden. Wenn eine Karte alt und die andere neu ist, können Sie den Ort immer noch finden, solange mindestens eine von beiden stimmt.
Der Prozess: Das Foto „dehnen“
Sobeder sie diese zwei Modelle erstellt hatten, wendeten sie „Gewichte“ auf die Menschen an, die tatsächlich gezählt wurden.
- Kam eine Person aus einem Viertel, das schwer zu erreichen war (wie ein armes ländliches Gebiet), wurde ihr „Gewicht“ erhöht. Statistisch gesehen bedeutet das: „Eine Person auf diesem Foto repräsentiert 1,5 Menschen in der Realität.“
- Kam eine Person aus einem leicht erreichbaren Gebiet, blieb ihr Gewicht nahe bei 1.
Anschließend passten sie diese Gewichte so lange an, bis die Gesamtzahl der Männer, Frauen und Menschen in jeder Stadt mit den offiziellen Regierungszahlen übereinstimmte. Dies stellte sicher, dass das fertige Bild nicht bloß eine Vermutung war, sondern mathematisch gezwungen wurde, der demografischen Realität des Landes zu entsprechen.
Das Ergebnis: Ein klareres Bild der Realität
Als sie diese Methode anwandten, veränderte sich das Bild erheblich.
- Vorher: Die Volkszählung sah aus wie ein Land aus älteren, wohlhabenderen Menschen, die in Städten lebten.
- Nachher: Die gewichteten Daten offenbarten mehr junge Erwachsene, mehr Menschen in ländlichen Gebieten und mehr Familien mit Problemen bei der Wohnsituation (wie Überbelegung oder mangelhaften Baumaterialien).
So stieg beispielsweise der Prozentsatz der Menschen, die in informellen Siedlungen (Slums) leben, von 4,5 % auf 5,5 %. Das lag nicht daran, dass mehr Menschen dorthin gezogen waren, sondern weil das ursprüngliche Foto die Menschen, die dort lebten, übersehen hatte. Die neue Methode „füllte die Lücken“, basierend auf den Mustern der Menschen, die tatsächlich gefunden wurden.
Warum das wichtig ist
Dieses Paper sagt nicht nur: „Wir haben mehr Menschen gezählt.“ Es liefert ein neues Regelwerk dafür, wie man ein Land zählt, wenn die traditionelle Methode versagt. Es zeigt, dass man – wenn man keine perfekte Zufallsstichprobe erhalten kann – dennoch ein zuverlässiges Bild erhalten kann, indem man kombiniert:
- Kluge Schätzungen darüber, wer fehlt (unter Nutzung lokaler Hinweise wie der Internetnutzung).
- Harte Fakten über die Gesamtbevölkerung (unter Verwendung staatlicher Gesamtzahlen).
- Ein Sicherheitsnetz, das sicherstellt, dass man nicht scheitert, nur weil eine der Schätzungen leicht daneben lag.
Kurz gesagt: Sie haben aus einem fehlerhaften, verzerrten Schnappschuss ein zuverlässiges, repräsentatives Porträt der gesamten Nation gemacht und so sichergestellt, dass die am stärksten gefährdeten Menschen in der Statistik nicht unsichtbar blieben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.