Automatic Variance Adjustment for Small Area Estimation

1. Problématique

L'estimation sur petites zones (Small Area Estimation - SAE) est cruciale pour produire des indicateurs de santé et démographiques fiables dans les pays à revenu faible et intermédiaire (PRFI), où les enquêtes ménages (comme les Enquêtes Démographiques et de Santé - EDS) sont la source de données principale.

Le défi majeur identifié par les auteurs réside dans l'utilisation du modèle de Fay-Herriot, l'approche standard pour la SAE. Ce modèle nécessite, en entrée, une estimation directe pondérée et son variance associée pour chaque zone. Cependant, dans les zones géographiques fines (niveaux administratifs inférieurs ou zones non planifiées), les données sont souvent trop clairsemées. Cela entraîne deux problèmes critiques :

1. Variance indéfinie ou instable : Lorsque le nombre de clusters (groupes) échantillonnés est faible (par exemple, un seul cluster par strate) ou lorsque les estimations au niveau des clusters sont identiques, la formule de variance basée sur le design de l'enquête devient mathématiquement indéfinie (division par zéro) ou nulle.
2. Impossibilité d'application automatique : Les méthodes existantes pour corriger ces variances (fonctions de variance généralisées ou modélisation conjointe moyenne-variance) sont complexes, nécessitent des covariables fiables (souvent absentes dans les PRFI) et ne peuvent pas être automatisées facilement.

Sans variance fiable, le modèle de Fay-Herriot ne peut pas être appliqué, obligeant les analystes à traiter ces zones comme des données manquantes ou à produire des estimations non fiables.

2. Méthodologie

Les auteurs proposent une méthode d'ajustement automatique des variances basée sur l'augmentation des données par un échantillon prioritaire hypothétique (« phantom data »).

A. Concept d'Augmentation Bayésienne

L'idée centrale est d'introduire un prior sous la forme d'un échantillon fictif (ou « fantôme ») pour régulariser les estimations.

• Pour une estimation de proportion $p$, au lieu de travailler uniquement avec les données observées, on ajoute un échantillon prior de taille $m_{PH}$ avec une proportion moyenne $p_{PH}$.
• Cela transforme l'estimateur de Hájek (direct) en un estimateur augmenté :
  $$\hat{p}_{AUG} = \frac{\sum w_k y_k + \sum w_{PH} y_{PH}}{\sum w_k + \sum w_{PH}}$$
• La variance est ensuite recalculée en utilisant la formule de variance standard du design de l'enquête, mais appliquée à cet ensemble de données augmenté (données réelles + données fantômes).

B. Application aux Enquêtes Complexes (EDS)

L'article adapte cette approche aux designs d'enquêtes stratifiés à deux étapes (clusters) typiques des EDS :

1. Identification des cas problématiques : La méthode cible spécifiquement deux situations où la variance échoue :
   • Strates à cluster unique : Lorsqu'une strate (ex: zone urbaine d'un district) ne contient qu'un seul cluster échantillonné ($n=1$), la variance est indéfinie.
   • Estimations identiques : Lorsque toutes les estimations au niveau des clusters dans une zone sont identiques (ce qui donne une variance nulle), souvent dû à un faible nombre de clusters ou à des résultats binaires extrêmes.
2. Règles d'ajustement :
   • Pour les strates à cluster unique, un cluster fantôme est ajouté.
   • Pour les estimations identiques, des clusters fantômes sont ajoutés uniquement aux strates concernées.
   • Paramétrage du prior : Le cluster fantôme reçoit une moyenne égale à l'estimation de Hájek nationale (ou de strate nationale) et un poids égal au poids moyen de l'enquête nationale. Cela agit comme un « prior d'information unitaire » (faiblement informatif), assurant que l'ajustement est minimal mais suffisant pour rendre la variance définie.

C. Implémentation

La méthode est conçue pour être automatique et intégrée dans des logiciels. Elle est implémentée dans le package R surveyPrev. Elle permet ensuite d'alimenter des modèles hiérarchiques bayésiens (Fay-Herriot, modèles spatiaux CAR/BYM2) avec des variances stables.

3. Contributions Clés

1. Solution Principée et Automatique : Contrairement aux méthodes heuristiques précédentes, cette approche est fondée sur une augmentation bayésienne cohérente avec le design de l'enquête, permettant une correction automatique sans intervention manuelle de l'utilisateur.
2. Généralité : Bien que motivée par les EDS, la méthode est applicable à tout design d'enquête complexe où une formule de variance fermée ou une méthode de rééchantillonnage (jackknife) existe.
3. Préservation du Design : La méthode respecte la structure de l'enquête originale en utilisant les poids de conception et les formules de variance appropriées sur les données augmentées.
4. Outil Logiciel : L'intégration dans le package surveyPrev rend cette technique accessible aux statisticiens travaillant avec les bureaux nationaux de statistiques dans les PRFI.

4. Résultats

Les auteurs évaluent la méthode via des simulations et une application réelle sur les données de l'EDS de la Zambie (2018) concernant la prévalence de l'émaciation (wasting) chez les enfants.

A. Étude de Simulation

• Conception : Simulation de 1000 jeux de données mimant le design EDS de la Zambie (115 districts non planifiés).
• Comparaison : Trois stratégies ont été testées : (1) Aucune correction, (2) Correction systématique de toutes les zones, (3) Correction uniquement des zones à variance illégale.
• Résultats :
  • La méthode « Aucune correction » produit un sous-coverage important (les intervalles de confiance ne contiennent pas la vraie valeur) et une grande variabilité.
  • La méthode « Correction uniquement des zones illégales » offre le meilleur compromis : elle restaure une couverture proche du niveau nominal (80%) tout en minimisant l'élargissement inutile des intervalles de confiance pour les zones bien estimées.
  • La méthode « Correction systématique » réduit la variabilité mais élargit excessivement les intervalles pour les zones déjà fiables.

B. Application à la Zambie (Émaciation)

• Données : Sur 115 districts, 27 présentaient des problèmes (3 sans données, 24 avec variances illégales).
• Impact sur les estimations :
  • L'application de la correction modifie substantiellement les estimations et les rangs des districts.
  • Cas d'étude (District de Lavushimanda) : Sans correction, le district est traité comme une donnée manquante et l'estimation est fortement régressée vers la moyenne des voisins (sous-estimation). Avec la correction, la variance non nulle permet au modèle de garder une estimation plus proche de la donnée brute (0.074 vs 0.051), augmentant la probabilité postérieure que ce district soit parmi les plus touchés (89,9% vs 22%).
• Efficacité : L'ajustement permet d'inclure des zones précédemment exclues dans l'analyse spatiale, offrant une carte de prévalence plus complète et précise.

5. Signification et Conclusion

Cet article résout un problème pratique majeur dans la modélisation des petites zones dans les pays en développement. En rendant le processus de correction des variances automatique, rapide et robuste, il permet aux statisticiens et aux décideurs politiques de :

• Produire des cartes de prévalence fiables même avec des données très éparses.
• Éviter de traiter arbitrairement des zones à données problématiques comme des « données manquantes ».
• Améliorer la prise de décision en matière d'allocation des ressources de santé publique en obtenant des classements de zones plus précis (basés sur la probabilité postérieure plutôt que sur des points estimates bruts).

La méthode comble le fossé entre la rigueur théorique des modèles hiérarchiques et les contraintes pratiques des données d'enquêtes dans les PRFI, où les covariables de qualité et le temps d'analyse sont limités.