Resumen Técnico: Estimación de Áreas Pequeñas bajo el Modelo de Regresión con Error Anidado

1. Planteamiento del Problema

La estimación de características de dominios (áreas pequeñas) dentro de una población, como medias o totales, a partir de encuestas de muestreo es un desafío fundamental en la estadística de encuestas. Los estimadores directos, que utilizan únicamente datos específicos de cada área, a menudo tienen errores estándar grandes debido a tamaños de muestra pequeños por área.

El problema central abordado en este trabajo es la estimación basada en modelos bajo el modelo de regresión con error anidado (también conocido como modelo de intercepto aleatorio). Existen dos objetivos de estimación distintos que a menudo se tratan como intercambiables en la práctica, pero que tienen diferencias teóricas importantes:

1. La media real de la población finita del área ($\bar{y}_i$): Un parámetro finito interpretable.
2. El predictor lineal condicional óptimo ($\eta_i$): La esperanza condicional de la media dada la variable aleatoria de efecto aleatorio.

La literatura tradicional (ej. Prasad & Rao, 1990) utiliza un marco asintótico donde el número de áreas ($g$) tiende a infinito mientras el tamaño de las áreas ($N_i$) se mantiene fijo o acotado. Este enfoque tiene limitaciones: los estimadores no son consistentes, sus distribuciones asintóticas no son conocidas y la construcción de intervalos de predicción y estimadores del error cuadrático medio (MSE) es compleja y a menudo inexacta.

2. Metodología

Marco Asintótico Propuesto

Los autores proponen un nuevo marco asintótico donde tanto el número de áreas ($g$) como el tamaño de las áreas ($N_i$) tienden a infinito. Este enfoque, aunque parece contradecir el término "área pequeña", es relevante para aplicaciones prácticas donde existen áreas grandes y permite derivar resultados teóricos más robustos.

Modelos y Estimadores

Se asume el modelo de regresión con error anidado:
$$y_{ij} = \mu(x_{ij}) + \alpha_i + e_{ij}$$
Donde $\alpha_i$ son efectos aleatorios y $e_{ij}$ son errores.

Se analizan dos estimadores de modelos mixtos (EBLUPs):

1. Estimador de la media del área ($\hat{M}^{sam}_i$): Un estimador compuesto que combina la media muestral del área con un componente sintético.
2. Estimador del predictor lineal condicional ($\hat{M}^{clp}_i$): Un estimador puramente sintético basado en el modelo.

Resultados Teóricos Clave

Bajo condiciones de regularidad (distribuciones con momentos finitos, no necesariamente normales), los autores establecen:

• Linealidad Asintótica: Demostraron que los estimadores son asintóticamente equivalentes hasta el orden $O_p(N_i^{-1})$.
• Teoremas del Límite Central: Se derivaron distribuciones asintóticas para los estimadores que involucran la distribución de la característica de interés y una distribución normal.
• Expresiones Simples del MSE: Se obtuvieron expresiones analíticas simples para el Error Cuadrático Medio (MSE) asintótico. Para estimar la media del área, el MSE asintótico es aproximadamente:
  $$MSE \approx n_i^{-1} k_i \sigma_e^2$$
  Donde $k_i = (N_i - n_i)/N_i$ es la fracción de no muestreo.
• Intervalos de Predicción: Se construyeron intervalos de predicción asintóticos que garantizan una cobertura correcta sin asumir normalidad en el modelo.

3. Contribuciones Principales

1. Nuevos Resultados Asintóticos: Llenan la brecha teórica y práctica al proporcionar distribuciones asintóticas y estimadores de MSE simples bajo un marco de tamaño de área creciente, superando las limitaciones del marco de tamaño fijo tradicional.
2. Estimador de MSE Simplificado: Proponen un estimador de MSE que es mucho más simple de calcular e interpretar que el estimador de Prasad & Rao (1990), el cual requiere expansiones de Taylor de segundo orden y es computacionalmente más intensivo.
3. Análisis de la Diferencia entre Objetivos: Clarifican teóricamente la diferencia entre estimar la media real ($\bar{y}_i$) y el predictor condicional ($\eta_i$), demostrando que, asintóticamente, los estimadores son equivalentes, pero sus propiedades de MSE difieren en muestras finitas.
4. Análisis de Propiedades Basadas en Diseño: A través de simulaciones basadas en diseño, revelan diferencias críticas entre las propiedades "basadas en modelo" y "basadas en diseño" de los estimadores mixtos, un aspecto a menudo pasado por alto.

4. Resultados de las Simulaciones

Simulación Basada en Modelo

• Se generaron poblaciones con diferentes tamaños de áreas, tamaños de muestra y distribuciones (normales y mezclas no normales).
• Hallazgo: Los intervalos de predicción basados en el nuevo estimador (LW) funcionan muy bien incluso en muestras finitas pequeñas (ej. 15 áreas, 20 unidades por área).
• Comparación: El estimador de MSE propuesto (LW) tiene un rendimiento igual o superior al de Prasad & Rao (PR), pero es más simple. Los intervalos PR tienden a ser más conservadores (más anchos) porque sobreestiman el MSE en comparación con LW.

Simulación Basada en Diseño (Datos Reales)

• Se utilizó un subconjunto de datos reales sobre el gasto en productos lácteos frescos de la Encuesta de Gasto al Consumidor de EE. UU. (2002).
• Resultados Sorprendentes: Se identificaron grupos de estados donde la cobertura empírica de los intervalos de confianza caía por debajo del nivel nominal (95%), especialmente para estados con efectos aleatorios extremos y tamaños de muestra pequeños o moderados.
• Explicación: En el marco basado en diseño, la población es fija. Si un área tiene un efecto aleatorio extremo (fuera de la norma), el estimador EBLUP intenta estimar una realización fija de un valor extremo, lo cual es difícil. En el marco basado en modelo, el efecto aleatorio se regenera en cada réplica, promediando a cero.
• Conclusión: Cuando la varianza del error dentro del grupo es mucho mayor que la varianza entre grupos ($\sigma_e^2 / \sigma_\alpha^2$ grande), los estimadores basados en modelos pueden fallar en la inferencia basada en diseño para áreas con efectos extremos.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Simplicidad y Robustez: Proporciona una alternativa más simple y robusta a los métodos estándar (Prasad & Rao) para la estimación de áreas pequeñas, facilitando su implementación e interpretación.
• Fundamento Teórico Sólido: Establece la validez asintótica de los intervalos de predicción y estimadores de MSE sin depender de la suposición de normalidad, lo cual es crucial para datos reales que a menudo son asimétricos o tienen colas pesadas.
• Insights sobre Inferencia Basada en Diseño: La investigación destaca una distinción crítica: los estimadores que funcionan bien bajo el marco basado en modelo (donde los efectos aleatorios son variables aleatorias) pueden tener un rendimiento deficiente bajo el marco basado en diseño (donde los efectos son fijos) si existen valores extremos en la población. Esto sugiere que para inferencias basadas en diseño, podría ser más apropiado tratar los efectos de área como fijos en lugar de aleatorios.
• Aplicabilidad Práctica: Las simulaciones demuestran que las aproximaciones asintóticas derivadas son útiles incluso en escenarios de tamaño de muestra pequeño, lo que valida su uso en aplicaciones reales de encuestas.

En resumen, Lyu y Welsh ofrecen un marco teórico renovado y herramientas prácticas que mejoran la precisión y la comprensión de la estimación de áreas pequeñas, advirtiendo simultáneamente sobre las limitaciones de aplicar métodos puramente basados en modelos a problemas de inferencia basada en diseño sin considerar la estructura fija de la población.