Direct domain estimation via regression-tree-assisted estimators in the production of official statistics

Resumen Técnico: Estimación Directa de Dominios mediante Estimadores Asistidos por Árboles de Regresión

Planteamiento del Problema
Las Oficinas Nacionales de Estadística (ONE) operan típicamente bajo un enfoque de "peso único", utilizando un único conjunto de pesos para estimar múltiples parámetros y subpoblaciones (dominios). Si bien esta estrategia ofrece ventajas operativas —como la simplicidad computacional, economías de escala y consistencia interna (aditividad/benchmarking)—, no siempre es óptima para subpoblaciones específicas. La eficiencia de los estimadores asistidos por modelos depende del poder predictivo del modelo de asistencia para la variable de interés dentro de un dominio específico. Un único modelo ajustado a toda la población a menudo no logra capturar las relaciones específicas entre las variables auxiliares y las variables de estudio dentro de un dominio no planificado (subpoblaciones no definidas por el diseño de muestreo). Esto crea una tensión entre la conveniencia operativa de un sistema de ponderación unificado y la necesidad de eficiencia en la estimación local.

Metodología y Marco de Trabajo
El artículo opera dentro de un marco de diseño para la estimación directa, extendiendo la familia de estimadores asistidos por modelos para incluir árboles de regresión. El estudio se centra en la estimación de totales ($Y_d$) para dominios no planificados ($U_d$) utilizando una población finita $U$.

Se formulan dos estrategias distintas para aplicar árboles de regresión como modelos de asistencia:

1. RTU (Árbol de Regresión - Peso Único): Se ajusta un único árbol de regresión a toda la muestra ($s$) a nivel de población. Las predicciones resultantes se utilizan para derivar un único conjunto de pesos aplicables a cualquier dominio.
2. RTD (Árbol de Regresión - Específico de Dominio): Se ajusta un árbol de regresión separado específicamente a los datos dentro de cada dominio ($s_d$).

El artículo demuestra que ambos estimadores pueden expresarse como sumas ponderadas de observaciones de la muestra ($\sum w^*_i y_i$), donde los pesos $w^*_i$ son independientes de la variable de estudio $y$. Esto preserva la propiedad de "peso único" y asegura la aditividad (benchmarking) con respecto al total de la población.

Contribuciones Teóricas Clave

• Formulación de RTD: El artículo formula el estimador de árbol específico de dominio, demostrando que puede escribirse como una combinación lineal de observaciones de la muestra con pesos que estiman el tamaño de la población del dominio sin error.
• Caracterización de RTU: Caracteriza el estimador de árbol a nivel de población y extiende el argumento de Estevao y Särndal (1999) a modelos basados en árboles. Los autores demuestran que, cuando un modelo se ajusta a nivel de población, el estimador de dominio resultante tiende a comportarse asintóticamente como el estimador de Horvitz–Thompson (HT) dentro de esos dominios. Esto ocurre porque el ajuste global es "atraído" hacia el modelo nulo para las unidades fuera del dominio (donde la variable extendida es cero), fallando en reducir la varianza residual dentro del dominio.
• Mecanismo de Reducción de Varianza: Por el contrario, el modelo específico de dominio (RTD) logra reducciones sustanciales de la varianza proporcionales al poder predictivo dentro del dominio ($R^2_d$). Se demuestra que la varianza del estimador RTD es aproximadamente $(1 - R^2_d)$ veces la varianza del estimador HT.
• Consistencia de Diseño: La Proposición 1 establece la consistencia de diseño del estimador asistido por árboles bajo condiciones asintóticas estándar, siempre que el tamaño del árbol sea acotado o crezca lentamente en relación con el tamaño de la muestra para controlar el efecto Kish (variabilidad de los pesos).

Resultados Empíricos
Un estudio de simulación utilizando microdatos de la Encuesta Continua de Hogares (ECH) de Uruguay ilustra el comportamiento de estos estimadores:

• Nivel de Población: El estimador asistido por árbol (RT) reduce significativamente la varianza en comparación con el estimador HT para la variable modelada (estado de empleo), con efectos de diseño (deff) que oscilan entre 0.55 y 0.73. Sin embargo, para una variable no modelada (desempleo), la mejora es insignificante (deff $\approx$ 1), lo que resalta una limitación del enfoque de peso único cuando el modelo está diseñado para una variable específica. El estimador RT superó a la post-estratificación (PS) tradicional al evitar el sesgo de celdas vacías y mantener la coherencia.
• Nivel de Dominio: Al estimar totales por departamento, el estimador RTU no mostró ganancias de eficiencia sobre el HT (deff $\approx$ 1). En contraste, el estimador RTD logró reducciones sustanciales de la varianza (deff $\approx$ 0.3) en la mayoría de los departamentos, confirmando la predicción teórica de que el ajuste de modelos locales es necesario para la precisión a nivel de dominio.

Significancia y Limitaciones
El artículo sostiene que el estimador RTD ofrece una vía atractiva para mejorar la precisión en dominios no planificados manteniendo los beneficios operativos de un sistema de ponderación unificado. Permite a las ONE producir estimaciones de dominio más precisas sin recurrir a métodos indirectos de estimación de áreas pequeñas (SAE), siempre que los tamaños de muestra de los dominios sean suficientemente grandes.

Los autores señalan explícitamente las siguientes limitaciones:

1. Especificidad de la Variable: Las mejoras se concentran en la variable utilizada para construir el modelo; las estimaciones para otras variables pueden no beneficiarse.
2. Tamaño del Árbol: El crecimiento excesivo de los árboles aumenta el efecto Kish, lo que potencialmente infla la varianza.
3. Requisitos de Tamaño de Muestra: El método requiere tamaños de muestra esperados por dominio ($E(n_d)$) lo suficientemente grandes para asegurar un ajuste estable dentro del dominio. En dominios muy pequeños, la estimación indirecta basada en modelos sigue siendo necesaria.
4. Compromiso (Trade-off): Ganar precisión local vía RTD conlleva el costo de no tener el estimador "óptimo" a nivel de población, aunque este costo se considera menor en encuestas a gran escala.

El artículo concluye sugiriendo que la elección entre RTU, RTD y la SAE indirecta debe guiarse por el tamaño de muestra esperado del dominio, siendo RTD la estrategia preferida para dominios con suficientes datos donde la estimación directa es factible.