Coarsening-adjusted estimators for finite-population indicators

Resumen Técnico: Estimadores ajustados por el proceso de engrosamiento para indicadores de poblaciones finitas

Planteamiento del Problema
Las variables numéricas autoinformadas en las encuestas de muestra están frecuentemente sujetas al engrosamiento (coarsening), donde los encuestados reportan valores redondeados o agrupados (por ejemplo, múltiplos de 5, 10 o 30) en lugar de la cantidad latente exacta subyacente. Si bien la literatura estadística ofrece soluciones basadas en modelos para tales datos incompletos, las estadísticas oficiales y la vigilancia de la salud pública requieren típicamente inferencia basada en el diseño sobre indicadores de poblaciones finitas bajo diseños de muestreo complejos.

Los desafíos actuales incluyen:

1. Desajuste del objetivo de inferencia: Muchos métodos existentes se centran en parámetros de superpoblación, mientras que las estadísticas oficiales requieren la inferencia de cantidades de poblaciones finitas (por ejemplo, medias, cuantiles, tasas de prevalencia) definidas por la muestra y el diseño específicos.
2. Impacto heterogéneo: El engrosamiento afecta de manera distinta a diferentes funcionales. Mientras que las medias pueden ser relativamente estables debido a la compensación de errores, los cuantiles y los indicadores basados en umbrales (por ejemplo, la prevalencia de fumadores intensos definida por un corte de 20 cigarrillos) pueden ser altamente sensibles a la acumulación de masa en los valores de reporte preferidos.
3. No ignorabilidad: El mecanismo de reporte (engrosamiento) suele depender del valor latente en sí mismo (por ejemplo, un mayor consumo conduce a un reporte más grueso), lo que viola los supuestos de ignorabilidad.

Metodología
El artículo propone un marco general que tiende un puente entre la corrección basada en modelos y la inferencia basada en el diseño. El enfoque central trata la respuesta observada como una manifestación engrosada de una variable latente, modelada conjuntamente con el régimen de reporte.

1. Representación de la Variable Latente:

   • Sea $Y$ el valor latente verdadero y $G$ una variable de engrosamiento latente que representa el régimen de reporte (por ejemplo, exacto, redondeo a 5, redondeo a 10).
   • El valor observado $Y^*$ es generado por una función de engrosamiento $h(Y, G)$.
   • El marco permite un engrosamiento no ignorable, donde la probabilidad de un régimen de reporte específico depende del valor latente $Y$.

2. Pseudo-verosimilitud ponderada por la encuesta:

   • Los autores formulan un modelo estadístico para la distribución conjunta de la variable latente y el mecanismo de engrosamiento.
   • Para manejar la intratabilidad de la distribución de los datos observados, se discretiza el soporte de la variable latente.
   • Se construye una pseudo-verosimilitud ponderada por la encuesta, incorporando pesos de muestreo ($w_i$) para dar cuenta del diseño de muestreo complejo. Esto induce una distribución pseudo-posterior para los parámetros del modelo, ajustándose al marco de la pseudo-posterior bayesiana para el muestreo informativo.

3. Estimador Ajustado por Engrosamiento (CA):

   • Imputación: Utilizando la pseudo-posterior ajustada, el método genera réplicas predictivas posteriores de los valores latentes ($\tilde{y}_i$) para cada unidad muestreada, condicional a los datos engrosados observados y a la información auxiliar.
   • Estimación: Se aplican estimadores estándar de diseño (por ejemplo, Horvitz-Thompson, Hájek) a estas muestras latentes replicadas para estimar la cantidad de la población finita objetivo $\theta$.
   • Descomposición de la Varianza: La varianza total del estimador se descompone en dos componentes utilizando la ley de la varianza total:
     • Varianza dentro de la imputación: Incertidumbre debida al diseño de muestreo, promediada sobre la distribución predictiva posterior.
     • Varianza entre imputaciones: Incertidumbre inducida por el modelo de imputación (el mecanismo de engrosamiento).
   • Esta descomposición permite la propagación explícita de la incertidumbre causada por el proceso de engrosamiento hacia los intervalos de confianza finales.

Contribuciones Clave

• Integración de Marcos: El artículo introduce un marco unificado que combina explícamente el modelado de variables latentes para el engrosamiento con la inferencia basada en el diseño de poblaciones finitas.
• Propagación de la Incertidumbre: Proporciona un mecanismo formal para propagar la incertidumbre adicional causada por los valores latentes no observados hacia la varianza de los estimadores basados en el diseño, separando la varianza del diseño de la varianza de la imputación.
• Flexibilidad: El enfoque es general, permitiendo diferentes distribuciones latentes (por ejemplo, Lognormal, Modelos de Mezcla) y diversos mecanismos de engrosamiento, así como diversos indicadores objetivo (medias, cuantiles, proporciones).
• Aplicación a Umbrales: El método aborda específicamente la sensibilidad de los indicadores basados en umbrales (por ejemplo, la prevalencia de fumadores intensos) ante el agrupamiento (heaping), que los estimadores ingenuos suelen representar erróneamente.

Resultados y Aplicaciones
La metodología se valida mediante estudios de simulación y se aplica a datos del sistema de vigilancia PASSI (Progressi delle Aziende Sanitarie per la Salute in Italia).

• Simulación: Los estudios evalúan el desempeño en muestras finitas y la robustez bajo diversos escenarios de especificación incorrecta y diseños de muestreo, demostando la capacidad del método para recuperar estimaciones precisas e intervalos de confianza válidos.
• Aplicación PASSI (Tabaquismo):
  • Datos: Consumo diario de cigarrillos, que exhibe un fuerte agrupamiento en múltiplos de 5 y 10.
  • Modelos: Se compararon dos modelos latentes: un Lognormal (LN) simple y una Mezcla Lognormal (LNM) de dos componentes. La LNM proporcionó un mejor ajuste a la distribución observada con agrupamiento.
  • Hallazgos:
    • Prevalencia de Fumadores Intensos: El estimador ingenuo (usando los valores observados directamente) y el estimador CA arrojaron resultados diferentes para la proporción de fumadores intensos (definida como $\ge 20$ cigarrillos/día). Los estimaciones CA fueron sensibles a la elección del modelo latente (LN vs. LNM), resaltando la importancia de modelar el mecanismo de reporte.
    • Incertidumbre: La descomposición de la varianza reveló que una fracción no despreciable de la incertidumbre total en las estimaciones de prevalencia era atribuible al mecanismo de engrosamiento, no solo al diseño de muestreo.
    • Cuantiles y Medias: El análisis ilustró que, si bien las medias se vieron menos afectadas, los cuantiles y las proporciones basadas en umbrales mostraron una sensibilidad significativa al proceso de engrosamiento.

Significancia y Reivindicaciones
El artículo sostiene que ignorar el proceso de reporte en los datos de encuestas autoinformadas puede conducir a evidencia distorsionada para la toma de decisiones políticas, particularmente para indicadores que dependen de umbrales específicos o colas de la distribución.

• Relevancia para Políticas Públicas: Al demostrar cómo el engrosamiento afecta a diferentes funcionales (medias vs. umbrales) de manera heterogénea, el artículo argumenta que las oficinas estadísticas y las autoridades de salud pública deben ir más allá de los simples estimadores "ingenuos".
• Necesidad Metodológica: Los autores afirman que su enfoque es necesario para mantener los objetivos de inferencia y los estimadores utilizados en la práctica estándar de encuestas, corrigiendo al mismo tiempo el sesgo y la incertidumbre introducidos por el engrosamiento.
• Alcance Modesto: El artículo se posiciona como un marco general en lugar de una solución para cada conjunto de datos específico. Enfatiza que el impacto del engrosamiento debe evaluarse con respecto a los indicadores específicos utilizados, ya que la magnitud del sesgo y la incertidumbre varía según la forma funcional.

El trabajo extiende contribuciones previas (por ejemplo, Drechsler y Kiesl, 2016; Gardini y Mori, 2026) al integrar la corrección explícitamente dentro de un marco basado en el diseño adecuado para encuestas complejas, haciéndolo directamente aplicable a la producción de estadísticas oficiales.