Effects of interviewers on response to income and wealth items

Lo studio analizza i dati di SHARE per dimostrare che le aspettative degli intervistatori sulla disponibilità a rispondere a domande finanziarie sensibili influenzano positivamente il tasso di risposta, suggerendo implicazioni per la formazione degli intervistatori e il design delle indagini.

L'essenziale

Immagina di essere un investigatore privato che deve raccogliere informazioni delicate, come quanto denaro ha in banca un signore o quanto vale la sua casa. Il tuo compito è fare un'intervista. Ma c'è un problema: molte persone si rifiutano di rispondere a queste domande, o danno risposte incomplete. Questo crea dei "buchi" nei dati, un po' come un puzzle con pezzi mancanti.

Questo studio, condotto dal professor Moslem Rashidi, si chiede: chi è l'investigatore (l'intervistatore) fa la differenza?

Ecco la spiegazione semplice, con qualche metafora per rendere tutto più chiaro.

1. Il "Sesto Senso" dell'Intervistatore

Immagina che ogni intervistatore abbia un "termometro della fiducia" nella sua testa. Prima di iniziare il lavoro, questi intervistatori devono dire: "Secondo voi, quanti dei vostri clienti risponderanno onestamente alla domanda sul reddito?".

• Alcuni intervistatori sono ottimisti: pensano che la gente sia collaborativa e risponderà al 90%.
• Altri sono scettici: pensano che la gente sia diffidente e risponderà solo al 30%.

Lo studio ha scoperto una cosa affascinante: se l'intervistatore è ottimista, la gente tende a rispondere di più. È come se l'atteggiamento positivo dell'intervistatore fosse contagioso. Se tu entri nella stanza con un sorriso e la convinzione che "questa persona mi dirà la verità", è più probabile che la persona si senta a suo agio e risponda. Se invece l'intervistatore sembra preoccupato o pensa che tutti mentano, l'intervistato si chiude a riccio.

2. Il Puzzle dei Dati Mancanti

Il problema è che non tutti gli intervistatori hanno compilato il loro "termometro della fiducia" (alcuni dati sugli intervistatori mancano), e non tutti i cittadini hanno risposto alle domande sul denaro.
Gli statistici si sono trovati di fronte a un enorme puzzle con pezzi mancanti e hanno provato tre modi diversi per completarlo:

• Metodo 1: "Taglia e Butta" (Complete-Case Analysis).
  Immagina di prendere il puzzle e buttare via tutti i pezzi su cui c'è scritto "mancante". Lasci solo i pezzi perfetti.

  • Pro: È semplice e veloce.
  • Contro: Butti via metà del puzzle! Perdi tantissime informazioni preziose. È come cercare di capire il clima di un anno guardando solo le foto di luglio.

• Metodo 2: "Riempire i Buchi" (Multiple Imputation).
  Qui usi la logica per indovinare i pezzi mancanti. Se manca un pezzo blu, guardi i pezzi vicini e dici: "Probabilmente è un pezzo di cielo".

  • Pro: Usi tutto il puzzle, anche i pezzi rovinati.
  • Contro: Devi fare molte ipotesi. Se sbagli a indovinare il colore, potresti distorcere l'immagine finale. Inoltre, c'è un po' di "ansia" statistica: quanto siamo sicuri che il pezzo indovinato sia giusto?

• Metodo 3: "Il Giudice Mediatore" (Model Averaging).
  Questo è il metodo più sofisticato. Invece di scegliere un solo modo per riempire i buchi, il computer prova tutti i modi possibili (buttare via, indovinare, o miscele dei due) e poi fa una media pesata. È come avere una giuria di esperti che vota su quale sia la soluzione migliore.

  • Risultato: Lo studio ha scoperto che questo metodo "super-intelligente" non ha fatto miracoli. Alla fine, ha dato risultati molto simili al metodo semplice "Taglia e Butta" o al metodo "Riempire i Buchi". Non valeva la pena complicarsi la vita troppo.

3. Cosa abbiamo imparato?

Il messaggio principale è semplice ma potente: l'umore dell'intervistatore conta.

Se vuoi che le persone anziane (il target di questo studio) parlino apertamente dei loro soldi:

1. Scegli bene chi intervista: Non basta che sia bravo tecnicamente; deve avere un atteggiamento positivo.
2. Forma gli intervistatori: Insegna loro a essere ottimisti e a trasmettere fiducia. Se l'intervistatore crede che la gente risponderà, la gente risponderà davvero.

In sintesi

Pensa a un intervistatore come a un giardiniere.

• Se il giardiniere pensa che i fiori (i dati) siano malati e non cresceranno mai, li tratterà con diffidenza e i fiori non fioriranno.
• Se il giardiniere crede che i fiori siano sani e pronti a sbocciare, li curerà con amore e fiducia, e i fiori (i dati) risponderanno con abbondanza.

Questo studio ci dice che per ottenere buone risposte su argomenti delicati come i soldi, la chiave non è solo la domanda giusta, ma la persona che la fa e la speranza che porta con sé.

Sommario tecnico

1. Il Problema di Ricerca

Il paper affronta il problema persistente del non-response per item (mancata risposta a domande specifiche) nelle indagini campionarie, in particolare per le domande sensibili relative a reddito e ricchezza.

• Contesto: Le indagini amministrate da intervistatori (interviewer-administered surveys) sono soggette a errori di non-campionamento che influenzano la rappresentatività e la qualità dei dati.
• Fattore Chiave: Mentre molti studi hanno analizzato l'impatto delle caratteristiche sociodemografiche degli intervistatori (età, genere, istruzione), questo lavoro si concentra su una caratteristica non demografica: le aspettative degli intervistatori riguardo alla disponibilità dei rispondenti a fornire informazioni finanziarie.
• Obiettivo: Verificare se le aspettative degli intervistatori (misurate prima del lavoro sul campo) siano associate alle risposte effettive osservate nelle domande finanziarie, utilizzando i dati della sesta ondata (Wave 6) dell'indagine SHARE (Survey of Health, Ageing and Retirement in Europe).

2. Dati e Campione

• Fonte Dati: Wave 6 di SHARE (2015) combinata con l'Indagine sugli Intervistatori (SHARE_IWS) e il database del "ruolo degli intervistatori" (IWR).
• Copertura: 12 paesi europei (Austria, Belgio, Estonia, Germania, Grecia, Italia, Lussemburgo, Polonia, Portogallo, Slovenia, Spagna, Svezia).
• Campionamento: 41.934 rispondenti eleggibili.
• Variabili Dipendenti: Quattro item finanziari con alti tassi di non-response:
  1. Reddito totale familiare.
  2. Pensioni (vecchiaia, anticipo, sopravvivenza).
  3. Conti bancari.
  4. Valore della residenza principale.
• Variabile Indipendente di Interesse: Un indicatore binario basato sull'aspettativa dell'intervistatore sulla percentuale di rispondenti che forniranno dati sul reddito (codificato come 1 se l'aspettativa supera la mediana specifica per paese, 0 altrimenti).
• Controlli: Caratteristiche sociodemografiche e comportamentali sia dei rispondenti (salute, cognizione, demografia) che degli intervistatori (carico di lavoro, salute, esperienza, comportamento durante l'intervista).

3. Metodologia Statistica

Il paper si distingue per un'analisi comparativa rigorosa di tre approcci per gestire i dati mancanti (missing covariates), derivanti sia dal non-response degli intervistatori all'IWS che da quello dei rispondenti nel questionario principale:

1. Analisi su Casi Completamente Osservati (Complete-Case Analysis - CCA):

   • Elimina tutte le osservazioni con valori mancanti nelle covariate.
   • Pro: Semplice. Contro: Perde circa il 46% del campione (da 41.934 a 22.609 osservazioni), riducendo la precisione e potenzialmente introducendo bias se il missing non è completamente casuale.

2. Approccio "Fill-in" con Imputazione Multipla (Multiple Imputation - FI):

   • Sostituisce i valori mancanti con valori stimati utilizzando la specifica condizionale completa (FCS) con 100 imputazioni.
   • Utilizza due sampler Gibbs sequenziali (uno per le variabili dei rispondenti, uno per gli intervistatori) per garantire coerenza.
   • Pro: Utilizza tutte le informazioni disponibili. Contro: Introduce incertezza aggiuntiva (varianza tra le imputazioni) che può aumentare l'errore standard rispetto alla CCA.

3. Framework dell'Indicatore di Mancanza Generalizzato con Mediazione dei Modelli (GMI + Model Averaging - MA):

   • Basato sul lavoro di Dardanoni et al. (2011, 2012, 2015).
   • Considera uno "spazio dei modelli" ampliato che include il modello completo (Fill-in), il modello ristretto (Complete-Case) e tutte le combinazioni intermedie.
   • Utilizza la Mediazione dei Modelli Bayesiani (BMA) con pesi derivati dai criteri di informazione AIC e BIC per combinare le stime dei diversi modelli, gestendo l'incertezza sulla specifica del modello.

4. Risultati Principali

• Impatto delle Aspettative: Esiste una correlazione positiva significativa tra le aspettative ottimistiche degli intervistatori e la probabilità di risposta. I rispondenti intervistati da personale che si aspetta un tasso di risposta superiore al 50% sono più propensi a fornire informazioni finanziarie.
• Entità dell'Effetto:
  • Riduzione del non-response fino al 14% per le domande sul reddito.
  • Riduzione fino al 26% per le domande sugli asset in alcuni paesi.
  • Questi effetti sono sostanziali considerando i tassi di risposta medi (80% per il reddito, 64% per gli asset).
• Confronto Metodologico:
  • La CCA e l'Imputazione Multipla (FI) producono risultati coerenti nella direzione dell'effetto, ma con diverse precisioni.
  • L'approccio di Mediazione dei Modelli (BMA) non ha mostrato guadagni chiari rispetto agli approcci più semplici. Le stime BMA basate su AIC tendono a coincidere con la CCA, mentre quelle basate su BIC tendono a coincidere con la FI.
  • L'incertezza derivante dall'imputazione (varianza tra imputazioni) rende spesso gli errori standard della FI più grandi rispetto alla CCA.

5. Contributi Chiave e Significato

1. Evidenza Empirica: Fornisce prove robuste che le caratteristiche psicologiche/comportamentali degli intervistatori (le loro aspettative) sono determinanti critici per la qualità dei dati finanziari, andando oltre le semplici variabili demografiche.
2. Implicazioni per la Formazione: I risultati suggeriscono che la selezione e la formazione mirata degli intervistatori possono essere strategie efficaci per ridurre il non-response. Intervistatori con aspettative più ottimistiche e proattive ottengono migliori tassi di risposta.
3. Contributo Metodologico: Offre un confronto empirico dettagliato tra CCA, Imputazione Multipla e Mediazione dei Modelli in un contesto di dati gerarchici (rispondenti annidati in intervistatori) con missing data complessi. Dimostra che, in questo specifico contesto, la complessità computazionale della mediazione dei modelli non porta necessariamente a guadagni sostanziali in termini di inferenza rispetto a metodi più standard.
4. Gestione dei Dati Mancanti: Il paper affronta sistematicamente il problema del missing data sia a livello di intervistatore che di rispondente, utilizzando un approccio ibrido che combina dati principali e paradata amministrativi (IWR).

Conclusione

Lo studio conclude che le aspettative degli intervistatori contengono informazioni preziose per modellare il non-response a domande sensibili. La gestione proattiva di queste aspettative attraverso la formazione potrebbe migliorare significativamente la qualità dei dati nelle indagini su popolazione anziana, riducendo i bias di selezione legati alle informazioni finanziarie.