Unifying small area estimators based on area-level and unit-level models through calibration

1. Il Problema

La stima delle medie per piccole aree (Small Area Estimation - SAE) è fondamentale quando i dati del censimento o i campioni diretti sono insufficienti per garantire la precisione richiesta. Il documento affronta due approcci principali esistenti e le loro limitazioni:

• Modelli a livello di area (Modello FH di Fay & Herriot): Utilizzano stime dirette aggregate. Sebbene gli stimatori risultanti (EBLUP) siano consistenti rispetto al disegno di campionamento, il modello assume che le varianze degli errori di campionamento ($\psi_d$) siano note. In pratica, queste vengono sostituite da stime dirette (spesso instabili per aree con piccoli campioni) o da valori lisciati arbitrariamente. Ignorare l'incertezza derivante dalla stima di queste varianze porta a sottostimare l'errore quadratico medio (MSE), specialmente nelle aree con pochi campioni.
• Modelli a livello di unità (Modello BHF di Battese, Harter e Fuller): Utilizzano i dati individuali e non richiedono la conoscenza a priori delle varianze di campionamento. Tuttavia, gli stimatori classici basati su BHF ignorano il disegno di campionamento (pesi di sondaggio), rendendoli non consistenti rispetto al disegno quando la dimensione del campione dell'area cresce.
• Il Gap: Esiste una necessità di unificare questi approcci per ottenere stimatori che siano sia consistenti rispetto al disegno di campionamento (come FH) sia capaci di stimare correttamente le varianze degli errori senza assumere che siano note (come BHF), tenendo conto dell'incertezza nella stima dei parametri di varianza.

2. Metodologia

Gli autori propongono un approccio unificato basato sulla calibrazione dei pesi di sondaggio.

• Unificazione tramite Calibrazione:

  • Si parte dal modello unitario BHF.
  • I pesi di sondaggio originali ($w_{di}$) vengono calibrati ai totali noti della popolazione per le variabili ausiliarie a livello di area ($X_d$). Questo genera nuovi pesi calibrati ($w^C_{di}$).
  • Aggregando il modello unitario BHF utilizzando questi pesi calibrati, si ottiene un modello a livello di area (FH) in cui le varianze degli errori di campionamento non sono più trattate come parametri noti e distinti, ma sono specificate in funzione di un singolo parametro di varianza ($\sigma^2_e$) comune a tutte le aree.
  • La varianza dell'errore aggregato diventa: $\psi^C_d(\sigma^2_e) = \sigma^2_e N_d^{-2} \sum_{i \in s_d} (w^C_{di})^2$.

• Stimatori Proposti:

  • Unified Predictor (EU): Uno stimatore empirico che può essere ottenuto sia adattando il modello unitario BHF ai dati individuali, sia adattando il modello aggregato FH ai dati di area (se i dati individuali non sono disponibili).
  • Stimatori dell'Errore Quadratico Medio (MSE):
    • Gli autori notano che gli stimatori analitici classici (es. Prasad-Rao) sottostimano il MSE quando le varianze sono stimate dai dati.
    • Propongono stimatori parametrici di bootstrap che ricampionano sia gli effetti casuali delle aree che gli errori di campionamento. Questi stimatori incorporano esplicitamente l'incertezza derivante dalla stima dei parametri di varianza ($\sigma^2_u$ e $\sigma^2_e$).

3. Contributi Chiave

1. Unificazione Teorica: Dimostrano che il modello FH può essere derivato rigorosamente dall'aggregazione del modello BHF tramite pesi calibrati, fornendo una giustificazione teorica per la specifica delle varianze di errore nel modello FH.
2. Stima Consistente delle Varianze: A differenza del modello FH tradizionale, il nuovo approccio permette di stimare le varianze di errore in modo consistente al crescere del numero di aree ($D \to \infty$), evitando l'uso di stime dirette instabili o lisciature arbitrarie.
3. Correzione della Sottostima del MSE: Introducono procedure di bootstrap parametrico che correggono la sottostima sistematica del MSE tipica degli stimatori analitici (come Prasad-Rao) quando le varianze sono stimate, specialmente in aree con campioni molto piccoli.
4. Proprietà di Consistenza e Benchmarking: Gli stimatori proposti sono consistenti rispetto al disegno di campionamento e soddisfano la proprietà di "benchmarking" (la somma delle stime delle aree ricostruisce lo stimatore di regressione della popolazione totale).

4. Risultati

Gli autori hanno validato il metodo attraverso simulazioni Monte Carlo e un'applicazione reale.

• Simulazioni Monte Carlo:

  • Efficienza: Gli stimatori unificati (EU), sia basati su dati unitari ($\hat{\mu}^U_d$) che su dati di area ($\hat{\mu}^{UA}_d$), mostrano un errore quadratico medio relativo (RRMSE) significativamente inferiore rispetto allo stimatore FH tradizionale ($\hat{\mu}^{FHD}_d$) che usa stime dirette delle varianze.
  • Casi Critici: Per aree con campioni molto piccoli ($n_d \le 3$ o $5$), lo stimatore FH tradizionale può diventare meno efficiente dello stimatore diretto, mentre gli stimatori unificati mantengono prestazioni superiori.
  • Stima del MSE: Gli stimatori analitici (YR e Prasad-Rao) tendono a sovrastimare o sottostimare il vero MSE a seconda del contesto, mentre gli stimatori di bootstrap proposti tracciano con grande accuratezza il vero MSE, anche per campioni molto piccoli.

• Applicazione Reale (Colombia):

  • I dati provengono dal test Saber 11 (matematica) in 33 dipartimenti colombiani.
  • I risultati confermano che gli stimatori unificati producono MSE stimati molto più bassi rispetto allo stimatore FH standard.
  • Le differenze tra le stime unificate (dati unitari vs dati di area) sono minime, suggerendo che l'approccio basato sui soli dati di area (se si dispone delle varianze corrette) è una valida alternativa quando i dati individuali non sono accessibili.

5. Significato

Questo lavoro risolve una delle principali criticità nella pratica della SAE: la gestione delle varianze di errore nei modelli a livello di area.

• Pratica: Fornisce un metodo robusto per gli statistici che devono stimare indicatori per piccole aree senza dover ricorrere a lisciature arbitrarie delle varianze o a modelli complessi che ignorano il disegno di campionamento.
• Affidabilità: Migliora la valutazione dell'incertezza (MSE), evitando che le decisioni politiche basate su queste stime siano fuorviate da errori di misurazione sottostimati.
• Flessibilità: Permette di utilizzare dati aggregati (spesso l'unica fonte disponibile) ottenendo le stesse proprietà statistiche ottimali che si otterrebbero con dati individuali, purché si applichi la corretta specifica delle varianze tramite calibrazione.

In sintesi, il paper offre un quadro teorico e pratico unificato che migliora sia la precisione delle stime puntuali che l'affidabilità delle misure di incertezza nella stima per piccole aree.