Unifying small area estimators based on area-level and unit-level models through calibration

A continuación presento un resumen técnico detallado del artículo "Unifying small area estimators based on area-level and unit-level models through calibration" (Unificación de estimadores de áreas pequeñas basados en modelos a nivel de área y a nivel de unidad mediante calibración), escrito por William Acero, Isabel Molina y J. Miguel Marín.

1. Planteamiento del Problema

La estimación de medias en áreas pequeñas (Small Area Estimation - SAE) enfrenta un dilema fundamental entre la consistencia del diseño y la eficiencia del modelo:

• Estimadores Directos: Basados en datos específicos de cada área, son consistentes bajo el diseño de muestreo pero carecen de precisión cuando el tamaño de la muestra del área ($n_d$) es pequeño.
• Modelo de Nivel de Área (Fay-Herriot - FH): Utiliza estimadores directos como respuesta y variables auxiliares agregadas. Sus predictores (EBLUP) son consistentes con el diseño, pero asumen que las varianzas de error del modelo ($\psi_d$) son conocidas. En la práctica, estas varianzas se estiman a partir de los datos de la muestra (estimadores "directos" de la varianza), lo que introduce alta variabilidad muestral, especialmente en áreas con $n_d$ pequeño. Los estimadores de error cuadrático medio (MSE) tradicionales (como el de Prasad-Rao) ignoran la incertidumbre derivada de estimar estas varianzas, lo que lleva a una subestimación del MSE real y a una pérdida de eficiencia.
• Modelo de Nivel de Unidad (Battese-Harter-Fuller - BHF): Utiliza datos individuales y efectos aleatorios de área. No requiere asumir varianzas conocidas, pero sus predictores estándar ignoran el diseño de muestreo, por lo que no son consistentes con el diseño a medida que $n_d$ crece.

El problema central: Existe una desconexión entre los modelos. El modelo FH tradicional depende de estimadores de varianza inestables, mientras que el modelo BHF ignora el diseño. Además, los métodos actuales para corregir la varianza en el modelo FH (suavizado) carecen de justificación teórica clara y no garantizan la consistencia de los estimadores de varianza.

2. Metodología Propuesta

Los autores proponen un estimador unificado que conecta ambos modelos mediante la calibración de pesos de encuesta. La metodología se basa en los siguientes pilares:

A. Unificación mediante Calibración

Se demuestra que si los pesos de encuesta ($w_{di}$) se calibran a las totales conocidas de la población de las variables auxiliares en cada área ($X_d$), el modelo de nivel de unidad BHF, al agregarse, se convierte exactamente en un modelo de nivel de área FH con una especificación correcta de las varianzas.

• Pesos Calibrados ($w^C_{di}$): Se obtienen minimizando una distancia pseudo-cuadrática sujeta a las restricciones de calibración $\sum w^C_{di} x_{di} = X_d$.
• Especificación de la Varianza: En lugar de asumir $\psi_d$ conocido o estimarlo directamente de forma inestable, la varianza del error en el modelo agregado se expresa como una función de un único parámetro de varianza de error unitario ($\sigma^2_e$):
  $$\psi^C_d(\sigma^2_e) = \sigma^2_e N_d^{-2} \sum_{i \in s_d} (w^C_{di})^2$$
  Esto permite estimar $\sigma^2_e$ consistentemente a medida que el número de áreas ($D$) crece, utilizando tanto datos unitarios como agregados.

B. Predictores Unificados (EU)

Se definen dos versiones del "Predictor Unificado Empírico" (Empirical Unified Predictor - EU):

1. $\hat{\mu}^U_d$: Se ajusta el modelo BHF original con datos unitarios para estimar $\beta$, $\sigma^2_u$ y $\sigma^2_e$.
2. $\hat{\mu}^{UA}_d$: Se ajusta el modelo FH agregado (con los pesos calibrados) utilizando solo datos de nivel de área.

Ambos predictores son consistentes con el diseño y aprovechan la "fuerza" de las áreas vecinas. Además, satisfacen la propiedad de auto-verificación (benchmarking): la suma de las estimaciones de los totales de área coincide con el estimador de regresión de la población total.

C. Estimadores de MSE mediante Bootstrap Paramétrico

Dado que los estimadores analíticos tradicionales (Prasad-Rao) fallan al no considerar la incertidumbre de estimar las varianzas, los autores proponen procedimientos de Bootstrap Paramétrico:

• Se generan réplicas bootstrap simulando efectos de área y errores de muestreo basados en los parámetros estimados.
• Se recalculan los predictores y las varianzas en cada réplica.
• Esto permite capturar la variabilidad total, incluyendo la incertidumbre derivada de la estimación de $\sigma^2_e$ y $\sigma^2_u$.
• Se proponen correcciones para los estimadores de MSE del modelo FH tradicional ($\hat{\mu}^{FHD}_d$) utilizando la diferencia entre el MSE bootstrap y el MSE analítico para ajustar la subestimación.

3. Contribuciones Clave

1. Unificación Teórica: Demostración rigurosa de que el modelo FH puede derivarse del modelo BHF mediante la agregación de datos ponderados con pesos calibrados, resolviendo la especificación correcta de las varianzas de error.
2. Consistencia de Varianzas: Eliminación de la necesidad de asumir varianzas conocidas o usar suavizamientos ad-hoc. La varianza se estima consistentemente a partir de un parámetro común ($\sigma^2_e$).
3. Nuevos Estimadores de MSE: Desarrollo de estimadores de MSE basados en bootstrap que son consistentes y capturan la incertidumbre de la estimación de parámetros de varianza, superando las limitaciones de los métodos analíticos de segundo orden (Prasad-Rao) en áreas con muestras pequeñas.
4. Propiedad de Benchmarking: Garantía de que los estimadores unificados respetan las totales de la población cuando los pesos están calibrados.

4. Resultados (Simulaciones y Aplicación)

Simulaciones de Monte Carlo

• Eficiencia: Los predictores unificados ($\hat{\mu}^U_d$ y $\hat{\mu}^{UA}_d$) mostraron un Error Cuadrático Medio Relativo (RRMSE) significativamente menor que el estimador FH tradicional ($\hat{\mu}^{FHD}_d$), especialmente en áreas con tamaños de muestra muy pequeños ($n_d \le 10$).
• Fallo del FH Tradicional: En áreas con $n_d$ muy pequeño, el estimador FH tradicional llegó a ser menos eficiente que el estimador directo debido a la inestabilidad de sus estimadores de varianza.
• Rendimiento de MSE: Los estimadores de MSE analíticos (Prasad-Rao) subestimaron seriamente el MSE real para el modelo FH tradicional y sobreestimaron para los predictores unificados. En contraste, los estimadores de MSE basados en bootstrap propuestos rastrearon con gran precisión los MSE verdaderos en todos los casos, incluso para $n_d$ muy pequeños.

Aplicación a Datos Reales (Colombia)

• Contexto: Estimación de la media de puntajes de matemáticas en 33 departamentos de Colombia usando datos de la prueba Saber 11.
• Hallazgos:
  • Los predictores unificados ($\hat{\mu}^U_d$ y $\hat{\mu}^{UA}_d$) produjeron estimaciones muy similares entre sí, pero distintas (y generalmente más estables) que el modelo FH tradicional.
  • Las estimaciones de MSE para el modelo FH tradicional fueron considerablemente más altas (peor rendimiento) que las de los modelos unificados.
  • El modelo unificado basado en datos unitarios ($\hat{\mu}^U_d$) mostró el menor MSE estimado, seguido por el basado en datos agregados ($\hat{\mu}^{UA}_d$).

5. Significancia e Impacto

Este trabajo es fundamental para la práctica de la estadística oficial y la estimación de áreas pequeñas por varias razones:

• Robustez en Muestras Pequeñas: Proporciona una solución robusta para áreas con datos muy escasos, donde los métodos tradicionales fallan o son inestables.
• Mejora en la Inferencia: Al ofrecer estimadores de MSE que no subestiman la incertidumbre, permite a los tomadores de decisiones tener una visión más realista de la precisión de las estimaciones, evitando conclusiones erróneas sobre la significancia de las diferencias entre áreas.
• Flexibilidad de Datos: Permite obtener estimadores de alta calidad incluso cuando no se tienen acceso a los datos unitarios detallados (utilizando el enfoque $\hat{\mu}^{UA}_d$), siempre que se disponga de totales de población y pesos calibrados.
• Unificación Conceptual: Cierra la brecha teórica entre los enfoques basados en diseño (FH) y los basados en modelos (BHF), demostrando que pueden ser vistos como dos caras de la misma moneda bajo la calibración adecuada.

En resumen, el artículo propone un marco metodológico superior que mejora la precisión, la consistencia y la evaluación de la incertidumbre en la estimación de áreas pequeñas, superando las limitaciones históricas de los modelos de Fay-Herriot y Battese-Harter-Fuller por separado.