Principal Component Based Estimation of Finite Population Mean under Multicollinearity

1. Enunciato del Problema

Nel campionamento per indagini, l'utilizzo di informazioni ausiliarie (variabili correlate alla variabile di studio) è una tecnica standard per migliorare la precisione degli stimatori della media della popolazione. Tuttavia, quando vengono utilizzate simultaneamente multiple variabili ausiliarie, queste spesso presentano un'alta inter-correlazione, un fenomeno noto come multicollinearità.

• Conseguenze: La multicollinearità inflaziona la varianza degli stimatori convenzionali (come gli stimatori di rapporto, prodotto e regressione), portando a stime instabili, errori standard elevati e prestazioni scadenti.
• Lacuna: Sebbene l'Analisi delle Componenti Principali (PCA) sia uno strumento statistico noto per gestire la multicollinearità nella regressione, la sua applicazione nella costruzione di stimatori specifici per le medie di popolazioni finite sotto Campionamento Casuale Semplice Senza Reperimento (SRSWOR) richiede ulteriore sviluppo, in particolare quando le variabili ausiliarie presentano asimmetria o fluttuazioni estreme.

2. Metodologia

Gli autori propongono un nuovo quadro di stima che integra l'Analisi delle Componenti Principali (PCA) con una trasformazione di tipo logaritmico per affrontare la multicollinearità.

A. Quadro Teorico

• Disegno di Campionamento: Campionamento Casuale Semplice Senza Reperimento (SRSWOR).
• Variabili:
  • $Y$: Variabile di studio.
  • $X, Z$: Due variabili ausiliarie (altamente correlate).
• Trasformazione PCA:
  • Le variabili ausiliarie correlate ($X, Z$) vengono standardizzate e trasformate in componenti principali ortogonali.
  • La matrice di covarianza delle variabili ausiliarie viene decomposta in autovalori e autovettori.
  • La prima componente principale ($W$), che cattura la maggior parte della varianza, viene mantenuta per sostituire le variabili correlate originali, eliminando efficacemente la multicollinearità.

B. Stimatori Proposti

Lo studio introduce due stimatori specifici:

1. Stimatore di Tipo Logaritmico ($t^*$): Uno stimatore generalizzato che incorpora parametri noti delle variabili ausiliarie ($X, Z$) utilizzando funzioni logaritmiche per stabilizzare i rapporti e gestire l'asimmetria.
   $$t^* = y + K \log\left(\frac{X + \psi_1}{x + \psi_1}\right) + (1-K) \log\left(\frac{z + \psi_2}{Z + \psi_2}\right)$$
2. Stimatore Basato su PCA ($t_{PCA}$): Questo stimatore utilizza la componente principale trasformata e non correlata ($W$) all'interno di una struttura simile di tipo logaritmico:
   $$t_{PCA} = y + \alpha \log\left(\frac{W + \psi}{w + \psi}\right)$$
   • Qui, $\alpha$ è una costante ottimizzata per minimizzare l'Errore Quadratico Medio (MSE).

C. Derivazione delle Proprietà

• Bias e MSE: Gli autori hanno derivato il Bias e l'Errore Quadratico Medio (MSE) per entrambi gli stimatori proposti fino al primo ordine di approssimazione utilizzando termini di errore ($e_0, e_1, e_2$).
• Ottimizzazione: Le costanti ($K$ e $\alpha$) sono determinate minimizzando le espressioni MSE, producendo valori ottimali ($K_{opt}$ e $\alpha_{opt}$) e formule per il MSE minimo.

3. Contributi Chiave

1. Integrazione Innovativa: Il documento colma con successo il divario tra la PCA (una tecnica di riduzione della dimensionalità) e la stima nel campionamento per indagini, affrontando specificamente il problema della multicollinearità nella stima della media di popolazioni finite.
2. Trasformazione di Tipo Logaritmico: Incorporando funzioni logaritmiche, gli stimatori proposti sono progettati per essere più robusti contro l'asimmetria e le variazioni estreme nei dati ausiliari, che spesso affliggono gli stimatori di rapporto convenzionali.
3. Valutazione Completa: Lo studio fornisce una derivazione matematica rigorosa di bias e MSE, seguita da una validazione attraverso l'analisi di dati reali e studi di simulazione estesi.
4. Rigorosità Diagnostica: Lo studio quantifica esplicitamente la multicollinearità utilizzando i Fattori di Inflazione della Varianza (VIF), gli Indici di Condizione (CI) e gli autovalori per giustificare la necessità dell'approccio PCA.

4. Risultati e Valutazione

Le prestazioni degli stimatori proposti ($t^*$ e $t_{PCA}$) sono state confrontate con gli stimatori convenzionali ($t_0$ fino a $t_5$) utilizzando l'Errore Quadratico Medio (MSE) e l'Efficienza Relativa Percentuale (PRE).

A. Analisi su Dataset Reale

• Fonte Dati: Dataset di Maddala e Lahiri (1959) che coinvolge Importazioni ($Y$), PIL ($X$) e Consumo ($Z$).
• Controllo Multicollinearità: La correlazione tra $X$ e $Z$ era estremamente alta ($\rho_{xz} = 0.9989$), con un VIF di 468.83, indicante una multicollinearità severa.
• Prestazioni:
  • Lo stimatore basato su PCA ($t_{PCA}$) ha ottenuto il MSE più basso (0.1974) e la PRE più alta (3310.96%).
  • Anche lo stimatore di tipo logaritmico proposto ($t^*$) ha superato tutti gli stimatori convenzionali (PRE: 3296.60%).
  • Gli stimatori convenzionali come il prodotto-cum-prodotto ($t_3$) hanno performato male a causa della struttura di correlazione positiva.

B. Studio di Simulazione

• Configurazione: È stata simulata una distribuzione normale trivariata ($N=1000$) con livelli di correlazione variabili ($\rho_{xz}$ da 0.3 a 0.9) e dimensioni campionarie ($n=50, 100, 150$).
• Risultati:
  • All'aumentare di $\rho_{xz}$, il VIF e l'Indice di Condizione sono aumentati, confermando un peggioramento della multicollinearità.
  • Attraverso tutti i livelli di correlazione e le dimensioni campionarie, lo stimatore basato su PCA ($t_{PCA}$) ha costantemente prodotto il MSE più basso.
  • Il divario di efficienza si è ampliato man mano che la multicollinearità diventava più severa, dimostrando la robustezza dell'approccio PCA.

5. Significato e Conclusione

Lo studio conclude che la presenza di multicollinearità degrada significativamente le prestazioni degli stimatori tradizionali che si basano su multiple variabili ausiliarie. Il proposto stimatore di tipo logaritmico basato su PCA offre una soluzione robusta attraverso:

1. Eliminazione della Ridondanza: Trasformando le variabili correlate in componenti ortogonali.
2. Stabilizzazione delle Stime: Utilizzando trasformazioni logaritmiche per gestire la non-normalità e i valori estremi.
3. Massimizzazione dell'Efficienza: Superando costantemente i metodi esistenti in termini di MSE e PRE.

Direzioni Future: Gli autori suggeriscono di estendere questa metodologia a contesti ad alta dimensionalità, ad altri parametri di popolazione (varianza, mediana), a disegni di campionamento alternativi (stratificato, a grappolo) e a scenari che coinvolgono non-risposta o errori di misurazione.

In sintesi, questo documento fornisce una metodologia statisticamente solida e praticamente efficace per i professionisti delle indagini che si occupano di dati ausiliari altamente correlati, garantendo stime della media della popolazione più accurate e stabili.