Mapping poverty at multiple geographical scales

Sintesi Tecnica: Mappatura della Povertà a Molteplici Scale Geografiche

Definizione del Problema
La mappatura della povertà è essenziale per progettare politiche anti-povertà mirate, ma deve affrontare un fondamentale "probleamo di scala" relativo al Problema dell'Unità Areale Modificabile (MAUP). Le misure di povertà definite a risoluzioni spaziali grossolane (ad es. distretti) spesso mascherano l'eterogeneità presente a livelli più fini (ad es. sottodistretti), mentre le stime a livelli fini sono frequentemente inaffidabili a causa delle ridotte dimensioni dei campioni nei dati di indagine. Inoltre, gli approoli multi-scala esistenti nella Stima in Piccole Aree (SAE) tipicamente trasmettono informazioni in una singola direzione (o da fine a grossolano o da grossolano a fine) o si affidano a modelli geo-statistici che richiedono l'esatta posizione delle famiglie, spesso limitata per motivi di privacy. Inoltre, le tecniche di benchmarking standard utilizzate per garantire la coerenza tra i livelli spesso non rispettano il supporto limitato dei tassi di povertà (da 0 a 1), rischiando di produrre stime non valide.

Metodologia
Gli autori propongono un approccio bayesiano multi-scala che integra dati di indagine e dati di telerilevamento (RS) per stimare i tassi di povertà a molteplici livelli gerarchici simultaneamente. I componenti principali della metodologia includono:

1. Verosimiglianza Beta Estesa (EB): Il modello utilizza una distribuzione Beta Estesa per gestire il supporto doppio limite della povertà (proporzioni comprese tra 0 e 1). Questa distribuzione è un mix di una componente Beta e di due componenti di Dirac ai confini (0 e 1), affrontando il problema degli eccessi di zeri e uno spesso osservati nelle stime di indagine in piccole aree a causa di censura o campioni scarsi.
2. Modello Multi-Scala Condiviso (S-MS): A differenza dei tradizionali modelli di sub-area che utilizzano solo dati a livello fine o dei modelli multi-scala indipendenti che trattano i livelli separatamente, il proposto modello S-MS impiega effetti casuali condivisi. Esso definisce predittori lineari distinti sia per il livello grossolano (area) che per quello fine (sub-area), ma li collega attraverso un effetto casuale condiviso specifico per l'area ($u_d$). Questa struttura facilita un flusso di informazione bidirezionale: i dati a livello fine informano le stime a livello grossolano, e i dati a livello grossolano stabilizzano le stime a livello fine, tenendo conto delle dipendenze gerarchiche.
3. Benchmarking Bayesiano: Per garantire che le stime dei tassi di povertà siano coerenti a diversi livelli (ovvero, che la somma ponderata delle stime delle sub-aree sia uguale alla stima dell'area, e che la somma delle stime delle aree sia uguale al benchmark nazionale), gli autori introducono un nuovo algoritmo di benchmarking. Questo metodo si basa sulla proiezione della distribuzione a posteriori. Invece di minimizzare il rischio a posteriori (che produce solo stime puntuali), gli autori proiettano i campioni a posteriori non vincolati su un insieme ammissibile definito dal vincolo di benchmarking.
   • Funzione di Perdita: La proiezione minimizza una funzione di perdita ponderata della famiglia Bregman, specificamente adattata per l'intervallo unitario (0, 1). Ciò assicura che le stime benchmarked risultanti e le loro misure di incertezza rimangano strettamente entro il supporto valido, evitando valori inferiori a zero o superiori a uno.
4. Inferenza: L'inferenza a posteriori è condotta tramite Markov Chain Monte Carlo (MCMC) utilizzando Stan. Il modello incorpora prior di tipo "horseshoe" regolarizzati per i coefficienti di regressione (per la selezione delle variabili) e prior di contrazione "variance-gamma" per gli effetti casuali.

Risultati Chiave
La metodologia è stata valutata attraverso uno studio di simulazione basato sul design e applicata alla mappatura della povertà in Bangladesh utilizzando dati del Demographic and Health Survey (DHS) e covariate di telerilevamento (radianza della luce notturna, densità di popolazione, ecc.).

• Risultati della Simulazione: La simulazione ha confrontato il modello S-MS proposto con un modello Multi-Scala Indipendente (I-MS), un modello di Sub-Area (SA) e le loro versioni aggregate.
  • Lo stimatore S-MS-Aggr (S-MS con benchmarking) ha dimostrato un bias inferiore rispetto ai modelli I-MS e SA, particolarmente per le aree con veri tassi di povertà lontani dalla media.
  • Sebbene lo S-MS-Aggr abbia mostrato una leggera sotto-copertura negli intervalli di credibilità al 90%, ha mantenuto prestazioni più stabili nelle code della distribuzione rispetto ad altri metodi.
  • Il modello I-MS, mancando di effetti casuali condivisi, ha performato scarsamente, confermando la necessità di modellare la dipendenza gerarchica.
  • La procedura di benchmarking ha costretto con successo le stime all'intervallo unitario pur preservando la coerenza della gerarchia multi-scala.
• Applicazione al Bangladesh: Il modello ha mappato con successo la povertà sia a livello di zila (distretto) che di upazila (sottodistretto). Ha integrato efficacemente i dati RS per gestire le sub-aree "fuori campione" dove i dati di indagine erano mancanti (circa un terzo degli upazila), fornendo stime coerenti attraverso le scale.

Significatività e Contributi
L'articolo sostiene di apportare i seguenti contributi alla letteratura sulla mappatura della povertà e sulla stima in piccole aree:

1. Prima Formalizzazione Esplicita Multi-Scala: Introduce la prima formalizzazione esplicita di un approccio di modellazione multi-scala specificamente per la mappatura della povertà che sfrutta le informazioni in entrambe le direzioni (da fine a grossolano e da grossolano a fine) senza richiedere l'esatta posizione delle famiglie.
2. Nuovo Benchmarking per Dati Limitati: Propone una procedura di benchmarking completamente bayesiana basata sulla proiezione a posteriori e su funzioni di perdita Bregman. Ciò affronta una lacuna critica in cui i metodi convenzionali possono produrre stime non valide per variabili limitate come i tassi di povertà.
3. Integrazione di Diverse Fonti di Dati: Il framework dimostra come integrare efficientemente i dati di indagine con i dati di telerilevamento ad alta risoluzione all'interno di una struttura bayesiana gerarchica, superando i limiti delle ridotte dimensioni dei campioni nei domini a scala fine.
4. Preservazione della Coerenza: L'approccio assicura che le stime della povertà rimangano coerenti attraverso diversi livelli geografici, un requisito spesso trascurato nelle applicazioni standard di SAE.

Gli autori posizionano il loro lavoro come uno strumento per supportare l'investigazione delle trappole spaziali della povertà e la progettazione di allocazioni di risorse basate sull'area, offrendo una soluzione statisticamente rigorosa al problema della scala inerente alla geografia della povertà.