National Versus Domain: Coverage Properties of HB Credible Intervals Under Survey Redesign

Sintesi Tecnica: Copertura Nazionale rispetto alla Copertura di Dominio degli Intervalli di Credibilità HB sotto Riprogettazione del Campionamento

Definizione del Problema
Questo documento funge da complemento a Tam (2026), affrontando tre questioni irrisolte riguardanti le proprietà di copertura frequentista degli intervalli di credibilità Hierarchical Bayes (HB) nel contesto della riprogettazione di un'indagine sulla forza lavoro. Sebbene Tam (26) abbia dimostrato che la modellazione HB potesse supportare una riduzione del campione dell'85% mantenendo una copertura nazionale quasi nominale, non ha indagato pienamente: (1) la robustezza di tali risultati in scenari di stress-test (ausiliari deboli, alta eterogeneità e eventi rari); (2) il comportamento della copertura a livello di singolo dominio piuttosto che come media aggregata; e (3) le prestazioni comparative di HB rispetto a un benchmark di stima diretta classica, in particolare in scenari in cui i design classici possono fallire strutturalmente.

Metodologia
Lo studio impiega una simulazione Monte Carlo (MC) estesa con $B=200$ replicazioni, mantenendo una frazione di campionamento di $f=0.15$ (una riduzione dell'85% rispetto al design completo). La simulazione utilizza una popolazione sintetica di $N=2.000.000$ individui distribuiti in 140 strati e 13 domini di stima, calibrati sui marginali dell'indagine sulla forza lavoro australiana SA4.

Vengono testati quattro scenari:

• Scenario A (Baseline): Condizioni standard.
• Scenario B (Ausiliari Deboli): I coefficienti di regressione delle covariate sono dimezzati per testare la robustezza del modello.
• Scenario C (Alta Eterogeneità): Le deviazioni standard degli effetti casuali di dominio sono raddoppiate.
• Scenario D (Evento Raro): La disoccupazione nazionale è impostata allo 0,50%. Ciò costringe l'algoritmo di allocazione di Bethel classico ad assegnare zero campioni a cinque strati per soddisfare i target del coefficiente di variazione dei domini, creando un modo di fallimento strutturale di tipo "strato non campionato" per gli stimatori classici.

Il modello HB utilizza una specificazione binomiale logit-normale per le variabili binarie (Occupazione, Disoccupazione) e una specificazione gaussiana Fay–Herriot per le variabili continue (Ore Lavorate). Un estimatore diretto stratificato classico con correzione della popolazione finita funge da benchmark, valutato alla dimensione del campione Bethel completa per ogni scenario. Lo studio testa anche due potenziali rimedi per la sottocopertura a livello di dominio: l'analisi di sensibilità del prior (indebolendo il prior sulla varianza tra gli strati) e la correzione dell'Errore Quadratico Medio (MSE) di Prasad–Rao (PR).

Risultati Chiave

• Copertura a Livello Nazionale: Gli intervalli di credibilità HB raggiungono una copertura quasi nominale (95%) in tutti e quattro gli scenari e per tutte e tre le variabili. La copertura dell'Occupazione varia dal 93 al 96%, quella della Disoccupazione dall'87 al 97%, e quella delle Ore Lavorate dal 99,5 al 100%. Nello Scenario D, l'estimatore diretto classico collassa, raggiungendo lo 0% di copertura per Occupazione e Ore Lavorate a causa del bias sistematico introdotto dai cinque strati non campionati. Al contrario, l'estimatore HB mantiene una copertura nazionale del 96–100% utilizzando solo circa il 15% del costo del campione classico (49.859 vs 332.374 osservazioni).
• Copertura a Livello di Dominio: Le prestazioni sono altamente variabili per tipo di variabile e scenario.
  • Ore Lavorate (Continua): Raggiunge una copertura di dominio quasi nominale (media 94–98%) in tutti gli scenari.
  • Occupazione e Disoccupazione (Binarie): La copertura è significativamente inferiore al valore nominale in scenari con bassa eterogeneità tra i domini. Emerge un pattern bimodale distinto: i domini con valori reali vicini alla media nazionale raggiungono circa il 99% di copertura, mentre quelli che deviano dalla media raggiungono quasi lo 0% di copertura.
  • Paradosso dello Scenario D: Nonostante sia lo scenario più estremo, lo Scenario D produce la migliore copertura di dominio per le variabili binarie. Ciò è attribuito a una maggiore eterogeneità reale tra i domini nel contesto di eventi rari, che riduce l'aggressività del restringimento (shrinkage) verso la media nazionale.
• Tentativi di Rimedio:
  • Sensibilità del Prior: Indebolire il prior sulla varianza tra gli strati ($\sigma^2_v$) ha avuto un effetto trascurabile. I dati in contesti quasi omogenei segnalano fortemente $\sigma^2_v \approx 0$, sovrastando il prior e mantenendo un restringimento aggressivo.
  • Correzione Prasad–Rao: La correzione MSE di PR, che amplia gli intervalli per tenere conto dell'incertezza della componente di varianza, non è riuscita a ripristinare la copertura in modo affidabile. Ha migliorato la copertura in alcuni casi specifici (es. Occupazione negli Scenari A e C), ma l'ha peggiorata in altri (es. Disoccupazione e Ore Lavorate). Il documento conclude che ciò è dovuto al fatto che il fallimento è guidato dal bias (centri degli intervalli spostati), non dalla sottostima della varianza; allargare un intervallo distorto non ripristina la copertura.

Significatività e Rivendicazioni
Il documento sostiene che, per gli Uffici Nazionali di Statistica (NSO) che danno priorità agli aggregati nazionali, la riprogettazione del campionamento basata su HB offre una soluzione robusta ed efficiente in termini di costi. La riduzione del campione dell'85% è validata empiricamente per preservare la copertura frequentista a livello nazionale anche sotto condizioni di stress in cui i design classici falliscono strutturalmente (Scenario D).

Tuttavia, il documento riconosce modestamente un limite critico: l'inferenza HB per le variabili binarie a livello di dominio è inaffidabile quando l'eterogeneità tra i domini è bassa (risultati quasi omogenei). Questo è identificato come un limite guidato dai dati inerente agli estimatori di prestito di forza (borrowing-strength), non come una deficienza metodologica di HB in sé. Il documento afferma esplicitamente che né l'aggiustamento del prior né la correzione PR possono rimediare a questo bias. Di conseguenza, il compromesso è presentato come operativamente accettabile per la reportistica nazionale, ma richiede cautela per l'inferenza a livello di dominio, suggerendo che i professionisti che richiedono stime di dominio affidabili in queste condizioni debbano considerare approcci alternativi come le stime puntuali Bayesiane vincolate o i livelli di credibilità calibrati sulla copertura.