Causal Small Area Estimation with Survey-only Covariates

Resumen Técnico: Estimación de Áreas Pequeñas Causal con Covariables Exclusivas de Encuestas

Enunciado del Problema
El artículo aborda una limitación fundamental en las metodologías existentes de estimación de áreas pequeñas (SAE) causales. Los enfoques tradicionales de SAE causal (por ejemplo, Ranjbara et al., 2023; Reluga et al., 2025) suelen asumir que el estado de tratamiento se observa para toda la población, lo que permite la imputación de resultados potenciales no observados. Sin embargo, en escenarios realistas de encuestas, tanto las variables de tratamiento como de resultado a menudo se observan solo para las unidades muestreadas, mientras que las covariables auxiliares (por ejemplo, datos del censo) están disponibles para toda la población. Esta estructura de datos hace inaplicables las estrategias estándar basadas en imputación. Además, los enfoques basados en modelos existentes a menudo carecen de la propiedad de "doble robustez", lo que los hace vulnerables a la especificación incorrecta del modelo en poblaciones complejas y heterogéneas. El desafío central es identificar y estimar los efectos promedio del tratamiento (ATE) específicos de área cuando el tratamiento y el resultado están parcialmente observados, aprovechando covariables exclusivas de encuestas que no están disponibles en los datos auxiliares a nivel poblacional.

Metodología
Los autores proponen un nuevo marco que integra la inferencia de encuestas basada en el diseño con la estimación causal de doble robustez.

1. Estrategia de Identificación:
   El artículo establece un nuevo resultado de identificación para los ATE específicos de área ($\tau_j$) bajo cuatro supuestos clave:

   • (A1) Ignorabilidad del Muestreo: El muestreo es independiente de los resultados potenciales y del tratamiento dados los datos demográficos y el área.
   • (A2) No Confusión: La asignación del tratamiento es independiente de los resultados potenciales dados las covariables observadas dentro de la muestra.
   • (A3) Superposición: Probabilidad positiva para todos los estratos de muestreo, área y tratamiento.
   • (A4) Ignorabilidad del Área: Los resultados potenciales y el tratamiento son independientes del indicador de área condicional a las covariables observadas (tanto $X$ a nivel poblacional como $Z$ exclusiva de encuestas).

   Bajo estos supuestos, los autores derivan una descomposición de $\tau_j$ que combina un estimador directo dentro del área con un término de "agrupamiento parcial" que aprovecha la información de otras áreas. Esto se logra reponderando las observaciones de todas las áreas para recuperar la distribución de covariables del área objetivo.

2. Estimador de Doble Robustez:
   Basándose en la fórmula de identificación, los autores construyen un estimador de doble robustez (DR). El estimador permanece consistente si:

   • Los modelos de regresión de resultados ($m_0, m_1$) están correctamente especificados, O
   • Las funciones de molestia para la propensión al tratamiento ($e$) y la probabilidad de asignación al área ($\pi_A$) están correctamente especificadas.

   La función de estimación incorpora tres mecanismos de selección: asignación de tratamiento, muestreo de encuestas y asignación al área. Un componente único corrige las discrepancias en la distribución del área, permitiendo el transporte de información entre áreas.

3. Procedimiento de Estimación:

   • Funciones de Molestia: El método estima regresiones de resultados, puntuaciones de propensión y probabilidades de asignación al área utilizando modelos de trabajo paramétricos (lineal, logístico, logístico multinomial).
   • Ajuste Cruzado: Para garantizar una inferencia asintótica válida y eliminar el sesgo de primer orden derivado de la estimación de funciones de molestia, los autores emplean ajuste cruzado (dividiendo la muestra en pliegues).
   • Estimación de Varianza: El artículo deriva el límite de eficiencia semiparamétrica y propone estimadores de varianza factibles basados en la representación de la función de influencia. Se proponen dos estimadores: uno tipo Horvitz-Thompson y uno tipo Hajek (normalizado).

Contribuciones Clave

• Nuevo Marco de Identificación: El artículo extiende la inferencia causal a escenarios con tratamientos y resultados parcialmente observados integrando covariables exclusivas de encuestas ($Z$) con datos auxiliares a nivel poblacional ($X$). Generaliza la estrategia de identificación de Kuriwaki y Yamauchi (2021) desde la estimación de medias hasta parámetros causales.
• Propiedad de Doble Robustez: El estimador propuesto posee la propiedad de doble robustez, ofreciendo protección contra la especificación incorrecta del modelo en escenarios de encuestas complejas, una característica a menudo ausente en los modelos tradicionales de SAE de efectos mixtos.
• Teoría de Eficiencia: Los autores derivan el límite de eficiencia semiparamétrica para los ATE específicos de área bajo muestreo complejo y demuestran que el estimador propuesto alcanza este límite bajo condiciones de regularidad.
• Algoritmo Práctico: Se proporciona un algoritmo de estimación concreto, que utiliza ajuste cruzado y modelos paramétricos estándar, haciendo que el enfoque sea aplicable a datos de encuestas del mundo real.

Resultados

• Estudios de Simulación: Experimentos de Monte Carlo (con $N=400,000$ y $N=800,000$) comparan el estimador tipo Hajek propuesto frente a un estimador directo y un estimador tipo Horvitz-Thompson.

  • Estabilidad: El estimador directo exhibe alta varianza e inestabilidad en áreas pequeñas. El estimador tipo Horvitz-Thompson muestra una variabilidad sustancial en el sesgo debido a pesos extremos. El estimador tipo Hajek propuesto demuestra un sesgo significativamente más estable y un Error Cuadrático Medio (RMSE) menor.
  • Eficiencia: El estimador de Hajek logra ganancias sustanciales de eficiencia sobre el estimador directo, con una Mejora Relativa Porcentual en la Pérdida Promedio (PRIAL) que oscila entre el 72.9% y el 86.7% bajo especificación correcta.
  • Robustez: Incluso cuando se viola la condición de doble robustez (por ejemplo, puntuaciones de propensión mal especificadas), el estimador de Hajek mantiene un rendimiento relativamente estable en comparación con las alternativas.
  • Estimación de Varianza: Si bien los estimadores de varianza funcionan razonablemente bien en algunos escenarios, los autores señalan desafíos en la estimación de varianza en muestras finitas, particularmente para el estimador de Hajek donde la normalización introduce variabilidad adicional.

• Aplicación Empírica: El método se aplica a datos de 2024 del Estudio Nacional de Elecciones Americanas (ANES) para estimar el efecto del contacto de campaña en el sentimiento de los votantes (Trump vs. Harris) a nivel estatal.

  • Verificación de Supuestos: La regresión diagnóstica sugiere que incluir covariables políticas exclusivas de encuestas ($Z$) hace que los indicadores de área sean estadísticamente insignificantes, lo que respalda el supuesto de ignorabilidad del área.
  • Hallazgos: El estimador propuesto produce ATE estables a nivel estatal con errores estándar significativamente menores en comparación con las estimaciones directas (que a menudo tenían errores estándar implausiblemente grandes o eran inviables). Los resultados indican efectos de persuasión generales limitados, pero revelan una heterogeneidad significativa en estados clave específicos.

Significado y Afirmaciones
El artículo afirma proporcionar una "herramienta flexible y teóricamente fundamentada" para el análisis relevante para políticas en entornos de datos modernos donde los datos de tratamiento y resultado son escasos. Al cerrar la brecha entre la inferencia causal y la estimación de áreas pequeñas, el marco permite a los investigadores:

1. Utilizar ricas covariables exclusivas de encuestas para ajustar diferencias sistemáticas entre áreas que los datos poblacionales por sí solos no pueden capturar.
2. Obtener estimaciones estables de efectos del tratamiento específicos de área incluso con tamaños de muestra pequeños por área.
3. Evitar los fuertes supuestos de modelado (por ejemplo, especificación correcta de modelos de resultados) requeridos por los enfoques existentes de imputación de efectos mixtos.

Los autores reconocen modestamente las limitaciones, señalando específicamente que la estimación de varianza sigue siendo un desafío en muestras finitas y que modelar las probabilidades de asignación al área con muchas áreas puede llevar a sobreajuste, sugiriendo trabajo futuro sobre modelado parsimonioso y estimadores de varianza mejorados.