Diagnostics-guided variance-inflated Fay-Herriot estimation from non-probability samples

Resumen Técnico: Estimación de Fay–Herriot con inflación de varianza guiada por diagnósticos a partir de muestras de no probabilidad

Planteamiento del problema
El artículo aborda el desafío de la estimación de áreas pequeñas (SAE, por sus siglas en inglés) utilizando fuentes de datos de no probabilidad, como registros administrativos o datos de plataformas. Aunque el ponderado de probabilidad inversa (IPW) y la calibración son técnicas estándar para reducir el sesgo de selección en estos entornos, la fiabilidad de los estimadores de dominio resultantes varía significendamente entre diferentes áreas pequeñas. Una limitación crítica del modelo estándar de Fay–Herriot (FH) en este contexto es su dependencia de las estimaciones de varianza a nivel de área suministradas ($\hat{V}_d$) como única medida de incertidumbre. Los autores argumentan que $\hat{V}_d$ a menudo no logra capturar los riesgos asociados con una cobertura de dominio débil, pesos inestables o un equilibrio auxiliar deficiente. En consecuencia, el suavizado FH estándar puede confiar inapropiadamente en entradas poco fiables, lo que conduce a estimaciones erróneas.

Metodología
El enfoque propuesto introduce un estimador FH con inflación de varianza guiado por diagnósticos para totales de población finitos por dominio. El método procede en tres etapas:

1. Estimación IPW Calibrada:
   Los totales de dominio se estiman primero mediante IPW calibrado. Se ajusta un modelo de participación logístico para estimar las probabilidades de inclusión ($\hat{\pi}_i$), generando pesos IPW brutos. Estos pesos se calibran posteriormente dentro de cada dominio con respecto a los totales poblacionales conocidos (por ejemplo, tamaño del dominio o totales auxiliares) utilizando un enfoque de minimización de distancia cuadrática. La varianza de los estimadores calibrados se estima mediante un bootstrap de multiplicador generalizado que reajusta el modelo de participación y recalibra los pesos en cada réplica.

2. Diagnósticos de Dominio y Puntuación de Fiabilidad:
   Para evaluar la calidad de la entrada IPW, el método calcula tres diagnósticos a nivel de dominio:

   • Tasa de Cobertura ($c_d$): La proporción de la población del dominio representada en la muestra.
   • Variabilidad de los Pesos ($CV_{w,d}$): El coeficiente de variación de los pesos calibrados, que indica la estabilidad del estimador (una alta variabilidad sugiere la dependencia de pocas unidades).
   • Equilibrio Auxiliar ($B_d$): La distancia euclidiana entre las medias de la muestra ponderadas y las medias poblacionales conocidas de variables auxiliares estandarizadas.

   Estos diagnósticos se normalizan y combinan en una única puntuación de fiabilidad ($Q_d$) para cada dominio elegible. Los dominios con puntuaciones bajas son marcados como poseedores de información más débil.

3. Modelo FH de Mezcla con Inflación de Varianza:
   La innovación central es un modelo de mezcla aplicado a la ecuación de observación de FH. Un indicador latente $\xi_d \in \{0, 1\}$ determina si un dominio sigue un componente "ordinario" o un componente de "inflación de varianza".

   • La probabilidad del componente ordinario ($\pi_d$) se establece igual al valor de la puntuación de fiabilidad normalizada $Q_d$.
   • La ecuación de observación se define como:
     $$\hat{Y}^{IPW}_d | \theta_d, \xi_d \sim N\{\theta_d, \hat{V}_d + (1-\xi_d)\tau\}$$
     donde $\tau \geq 0$ es un parámetro de inflación.
   • Los dominios con puntuaciones de fiabilidad bajas (baja $\pi_d$) se asignan al componente inflado, aumentando efectivamente la varianza de la observación. Esto provoca que el suavizado (shrinkage) de FH atraiga estas estimaciones con mayor fuerza hacia la media de regresión ($\theta_d$), reduciendo la influencia de entradas potencialmente sesgadas o inestables.

   Los parámetros del modelo ($\beta, A, \tau$) y las probabilidades posteriores se estiman mediante un algoritmo iterativo.

Contribuciones Clave
El artículo realiza tres contribuciones específicas:

1. Construcción de Diagnósticos Compactos: Propone una puntuación de fiabilidad unificada basada en cobertura, estabilidad de pesos y equilibrio auxiliar para cuantificar la calidad de las entradas de no probabilidad de IPW.
2. Mezcla de Inflación de Varianza: Incorpora esta puntuación de fiabilidad en un modelo de mezcla FH, permitiendo la inflación de la varianza de la observación de forma basada en datos para dominios no fiables, en lugar de tratar todas las entradas como igualmente fiables.
3. Validación con Verdad Conocida: Valida el método utilizando una población pseudo-real de empresas de negocios lituanas donde los totales reales de los dominios son conocidos, permitiendo una evaluación directa del error de estimación.

Resultados
La validación se llevó a cabo en una población de 2,839 empresas lituanas a través de 23 dominios económicos, utilizando la facturación mensual como variable de estudio. El estimador propuesto se comparó contra:

1. Estimadores IPW calibrados.
2. Estimadores FH estándar (sin inflación de varianza).

Los resultados demostraron una reducción sustancial en el error de estimación para el método propuesto:

• Error Relativo Agregado: Reducido de 14.56% (IPW calibrado) y 12.83% (FH estándar) a 2.67% (VI-FH propuesto) bajo calibración de tamaño de dominio.
• RMSE de Dominio: Reducido de 7.87 millones (IPW) y 7.59 millones (FH estándar) a 1.31 millones (Propuesto).
• MAPE: Reducido de 61.22% (IPW) y 57.68% (FH estándar) a 13.39% (Propuesto).

Además, el estudio confirmó que las puntuaciones de diagnóstico están empíricamente correlacionadas con los errores relativos absolutos reales de los estimadores IPW, validando su utilidad como indicadores de fiabilidad previos al suavizado. Los autores también señalaron que añadir información de calibración auxiliar más rica (más allá del tamaño del dominio) no mejoró automáticamente el desempeño, sugiriendo que los conjuntos de calibración deben tratarse como especificaciones estadísticas en lugar de mejoras monótonas.

Significancia y Reivindicaciones
El artículo afirma que su método proporciona un mecanismo transparente para propagar la evidencia diagnóstica sobre el apoyo débil de la no probabilidad hacia el análisis de FH a nivel de área. Establece explícitamente que el método no identifica sesgos de selección arbitrarios no medidos sin puntos de referencia externos. En cambio, su significancia radica en evitar que el modelo de área trate todas las entradas de IPW de no probabilidad como igualmente fiables cuando sus estimaciones de varianza por sí solas son insuficientes para describir la incertidumbre. Los autores presentan esto como una evidencia dirigida de la efectividad del mecanismo de inflación de varianza, más que como una evaluación exhaustiva de todos los mecanismos de selección de no probabilidad.