Covariance-Aware Compromise Allocation in Multivariate Stratified sampling under Nonlinear Constraints

Technische Zusammenfassung: Kovarianzbewusste Kompromissallokation in der multivariaten geschichteten Stichprobenziehung unter nichtlinearen Nebenbedingungen

Problemstellung
Bei der multivariaten geschichteten Stichprobenziehung gestaltet sich die Bestimmung einer optimalen Allokation als komplex, da eine für eine Variable optimale Allokation nicht zwangsläufig optimal für andere Variablen ist. Obwohl Methoden zur „Kompromissallokation“ entwickelt wurden, um diese konkurrierenden Ziele auszubalancieren, konzentriert sich die bestehende Literatur häufig auf den Ausgleich marginaler Varianzen oder die Verwendung aggregierter Matrixfunktionale (wie der verallgemeinerten Varianz), ohne die Kovarianzinteraktionen zwischen spezifischen Studienvariablen explizit innerhalb der Zielfunktion zu modellieren. Darüber hinaus stützen sich viele bestehende Modelle auf lineare Kostenannahmen oder versäumen es, gleichzeitig realistische, nichtlineare operative Nebenbedingungen (wie Umfragedauer und Budget) neben diesen Kovarianzstrukturen zu berücksichtigen. Diese Studie adressiert die Lücke bei der Entwicklung eines Allokationsrahmens, der Kovarianzinformationen explizit integriert und gleichzeitig nichtlinearen Kosten- und Zeitbeschränkungen unterliegt.

Methodik
Die Autoren formulieren das Allokationsproblem als ein multikonstraintiertes nichtlineares Programmierungsmodell (NLP).

• Zielfunktion: Die Studie schlägt eine „kovarianzbewusste“ Zielfunktion vor, die als gewichtete Summe der Varianzen und Kovarianzen der geschichteten Schätzer definiert ist. Konkret besteht das Ziel darin, $\Phi(n) = a^T \Sigma(n) a$ zu minimieren, wobei $a$ ein Vektor charakteristischer Gewichtungsfaktoren und $\Sigma(n)$ die Kovarianzmatrix der Schätzer ist. Diese Formulierung erweitert sich zur Einbeziehung sowohl individueller Varianzen als auch der Kovarianzterme ($S_{h,jk}$) zwischen den Merkmalen innerhalb der Schichten. Die Funktion wird vereinfacht durch die Minimierung von $\sum \frac{B_h}{n_h}$, wobei $B_h$ den kombinierten kovarianzgewichteten multivariaten Variabilitätsbeitrag der Schicht $h$ darstellt.
• Nebenbedingungen: Das Modell beinhaltet drei Arten von Nebenbedingungen:
  1. Lineare Kostenbeschränkung: $\sum c_h n_h \leq C$.
  2. Nichtlineare Zeitbeschränkungen: Zwei spezifische operative Zeitstrukturen werden untersucht, um realistische Feldbedingungen widerzuspiegeln:
     • Quadratisch: $t_h(n_h) = \alpha_h n_h + \beta_h n_h^2$ (repräsentiert steigende Belastungen wie Ermüdung und Koordinationsaufwand).
     • Logarithmisch: $t_h(n_h) = \alpha_h n_h + b_h \ln(n_h)$ (repräsentiert Lerneffekte und Effizienzgewinne).
  3. Machbarkeitsbeschränkungen: $2 \leq n_h \leq N_h$.
• Optimierungsrahmen: Das Problem wird unter Verwendung der Karush–Kuhn–Tucker (KKT)-Bedingungen gelöst. Die Autoren leiten die Stationaritätsbedingungen für sowohl quadratische als auch logarithmische Zeitmodelle ab, was zu nichtlinearen Gleichungen führt, die numerisch mit der LINGO-Software gelöst werden.
• Theoretische Analyse: Die Studie etabliert die Existenz einer optimalen Lösung mittels des Weierstrasschen Extremwertsatzes. Es wird bewiesen, dass die Zielfunktion streng konvex ist. Während die Kosten- und die quadratische Zeitbeschränkung eine konvexe zulässige Menge definieren (was globale Optimalität gewährleistet), führt die logarithmische Zeitbeschränkung zu Nichtkonvexität, was mehrfache Initialisierungsverfahren erforderlich macht, um lokale Optima zu vermeiden.

Wesentliche Beiträge

1. Explizite Kovarianzintegration: Im Gegensatz zu bisherigen Kompromissallokationsmethoden, die Kovarianzstrukturen oft auf einen einzelnen Skalar reduzieren oder ignorieren, integriert dieser Rahmen die Kovarianzinteraktionen zwischen den Studienvariablen explizit über die $B_h$-Koeffizienten in die Zielfunktion.
2. Nichtlineare operative Modellierung: Die Studie geht über lineare Kostenannahmen hinaus, indem sie die Umfragedauer unter Verwendung sowohl quadratischer als auch logarithmischer Funktionen modelliert, was eine realistischere Darstellung der Feldoperationen (Ermüdung vs. Lernkurven) bietet.
3. Machbarkeitsgesteuerte Optimierung: Der Rahmen priorisiert die operative Machbarkeit (Einhaltung von Budget- und Zeitobergrenzen) neben der statistischen Präzision und zeigt auf, dass Allokationen, die unter gelockerten Nebenbedingungen optimal erscheinen, in der Praxis unzulässig sein können.

Ergebnisse
Eine numerische Studie wurde mit einer hypothetischen Population mit fünf Schichten und drei korrelierten Merkmalen durchgeführt. Die vorgeschlagenen Modelle zur kovarianzbewussten Allokation (CAA) wurden mit der proportionalen Allokation, der Neyman-Allokation und der varianzbasierten Kompromissallokation (VBCA) unter einem Budget von 1800 Einheiten und einem Zeitlimit von 650 Einheiten verglichen.

• Machbarkeit: Sowohl die proportionale als auch die Neyman-Allokation lieferten niedrigere Zielfunktionswerte (scheinbar höhere Präzision), verstießen jedoch gegen die Budgetbeschränkung (erforderten 1833 bzw. 1819 Einheiten), wodurch sie unzulässig wurden.
• Leistung: Das vorgeschlagene quadratische CAA-Modell erreichte einen Zielfunktionswert von 0,0587, was besser war als der der zulässigen VBCA (0,0594) und die Budgetbeschränkung von 1800 Einheiten strikt einhielt sowie weniger Zeit (549,43 Einheiten) als das Limit beanspruchte.
• Logarithmisches Modell: Das logarithmische CAA-Modell erreichte eine geringere Gesamtstichprobengröße (173) und geringere Kosten (1738,41), führte jedoch zu einem höheren Zielfunktionswert (0,0608), was auf einen Trade-off hindeutet, bei dem die Ressourcenersparnis gegenüber der maximalen Präzision priorisiert wurde.
• Sensitivitätsanalyse:
  • Zeitsensitivität: Die Präzision verbesserte sich mit steigendem Zeitlimit bis zu einem Schwellenwert (~550 Einheiten), wonach zusätzliche Zeit keine weiteren Gewinne brachte, was darauf hindeutet, dass das Budget die bindende Nebenbedingung war.
  • Budgetsensitivität: Die Präzision zeigte eine monotone Verbesserung mit steigendem Budget, was bestätigt, dass die finanziellen Ressourcen der primäre Treiber der Präzision in diesem Rahmen sind, sobald ein machbarer Zeitplan etabliert ist.

Bedeutung und Behauptungen
Das Paper behauptet, dass der vorgeschlagene Rahmen einen umfassenderen Ansatz für die multivariate geschichtete Stichprobenallokation bietet, indem er gleichzeitig Kovarianzstrukturen und realistische nichtlineare operative Nebenbedingungen adressiert. Die Autoren behaupten, dass ihre Methode Allokationen liefert, die sowohl statistisch effizient als auch operativ machbar sind und die „illusorische“ Präzision von Methoden vermeiden, die Budgetgrenzen ignorieren. Die Studie kommt zu dem Schluss, dass die Berücksichtigung von Kovarianzinteraktionen entscheidend dafür ist, ob die scheinbare Genauigkeit eines Modells in einer praktischen Umgebung erreichbar ist. Der Rahmen wird als Werkzeug für Survey-Designer präsentiert, die mit realen Ressourcenbeschränkungen konfrontiert sind, und bietet die Wahl zwischen der Maximierung der Präzision (quadratisches Modell) oder der Minimierung der Ressourcenausgaben (logarithmisches Modell). Die Autoren merken an, dass zukünftige Arbeiten diesen Rahmen auf stochastische Umgebungen, Szenarien mit Nichtantworten und zweistufige Designs ausweiten könnten.