📊 statistics

Dual system estimation using mixed effects loglinear models

Dit artikel onderzoekt het gebruik van gemengde loglineaire effectenmodellen voor duale systeem schatting, waarbij via simulaties wordt aangetoond dat deze een lichte verbetering in de gemiddelde kwadratische fout bieden ten opzichte van standaard vaste effecten benaderingen, terwijl ze tegelijkertijd een raamwerk bieden voor uitbreiding naar meervoudige systeem schatting.

Oorspronkelijke auteurs: Ceejay Hammond, Paul A. Smith, Peter G. M. van der Heijden

Gepubliceerd 2026-06-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Ceejay Hammond, Paul A. Smith, Peter G. M. van der Heijden

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te tellen hoeveel mensen er in een groot land wonen. Je kunt niet iedereen gewoon vragen, dus besluit je om twee verschillende "lijsten" te gebruiken (zoals een kiezersregister en een belastingadministratie) om hen te vinden. Dit wordt Dual System Estimation genoemd.

Het basisidee is simpel: je kijkt naar wie er op Lijst A staat, wie er op Lijst B staat, en wie er op beide lijsten staat. Door middel van een beetje rekenwerk kun je raden hoeveel mensen op geen enkele lijst staan (de "verborgen" populatie).

Echter, er is een addertje onder het gras. Als je dit voor het hele land tegelijk probeert te doen, wordt de wiskunde ingewikkeld omdat mensen in verschillende gebieden (zoals verschillende steden of regio's) zich anders gedragen. Daarom breken statistici het land meestal op in kleinere stukjes (strata) en doen ze de berekeningen voor elk stukje afzonderlijk.

Het Probleem: Het "Kleine Groep" Dilemma

Het artikel vergelijkt twee manieren om deze stukjes aan te pakken:

De "Fixed Effects" Benadering (De Oude Manier): Deze behandelt elke regio als een volledig apart eiland. Het berekent het antwoord voor Regio A met alleen gegevens uit Regio A, en doet vervolgens hetzelfde voor Regio B, enzovoort.
- De Fout: Als een regio klein is of heel weinig mensen op de lijsten heeft staan, wordt de wiskunde wankel. Het is alsof je probeert de gemiddelde lengte van een basketbalteam te raden door naar slechts één speler te kijken. De schatting kan er enorm naast zitten, of zelfs onmogelijk (oneindig) zijn.
De "Mixed Effects" Benadering (De Nieuwe Manier): Deze behandelt de regio's als onderdeel van een grotere familie. Het gaat ervan uit dat hoewel elke regio uniek is, ze allemaal bepaalde gemeenschappelijke kenmerken delen.
- De Analogie: Stel je voor dat je het gewicht van appels in 30 verschillende boomgaarden probeert te raden.
  - Fixed Effects: Je weegt de appels in Boomgaard A en raadt het totaal voor Boomgaard A zonder naar Boomgaard B te kijken. Als Boomgaard A slechts 3 appels heeft, is je gok een wilde gok in het duister.
  - Mixed Effects: Je weegt de appels in alle 30 de boomgaarden. Als Boomgaard A heel weinig appels heeft, zegt het model: "Nou, de andere boomgaarden wegen gemiddeld 100 pond per boom, dus laten we gokken dat Boomgaard A waarschijnlijk dicht bij dat gemiddelde ligt, maar dan licht aangepast op basis van wat we wél hebben gezien in Boomgaard A."
- De Magie: Dit wordt "Shrinkage" genoemd. Het model "krimpt" de wilde gokken van kleine regio's naar het algemene gemiddelde toe. Het leent kracht van de grote, goed bemonsterde regio's om de kleine, slecht bemonsterde regio's te helpen.

Wat het Papier Deed

De auteurs voerden duizenden computersimulaties uit om te zien welke methode beter werkt. Ze creëerden fictieve populaties met verschillende groottes (van piepkleine dorpjes tot enorme steden) en verdeelden ze in verschillende aantallen regio's (van 5 tot 30). Ze testten ook of de wiskunde vastliep wanneer de data niet perfect "normaal" was (zoals wanneer de populatieverdeling scheef is).

De Resultaten

Nauwkeurigheid: De "Mixed Effects"-methode (de familie-aanpak) was iets beter dan de "Fixed Effects"-methode (de eiland-aanpak). Het maakte minder fouten, vooral wanneer de regio's klein waren of de data schaars was.
Robuustheid: Zelfs toen de data niet de perfecte wiskundige regels volgde (zoals wanneer de verdeling scheef is), hield de Mixed Effects-methode zich goed staande. Het stortte niet in.
De Chapman Estimator: Het paper keek ook naar een specifieke oplossing genaamd de "Chapman estimator" (een wiskundige aanpassing van de oude methode om fouten te verminderen). Hoewel de Chapman-fix de oude methode hielp, was de nieuwe Mixed Effects-methode nog steeds superieur qua algemene nauwkeurigheid en stabiliteit.

De Kernboodschap

Als je een verborgen populatie probeert te tellen met twee lijsten, en je moet de data opdelen in veel kleine regio's, dan is het Mixed Effects Loglinear Model het slimste hulpmiddel. Het is als het hebben van een vangnet: als de data van één regio zwak is, gebruikt het model informatie van de andere regio's om te voorkomen dat de schatting van de klif afvalt.

Het paper vermeldt ook dat dezelfde "familie"-logica kan worden toegepast als je drie lijsten hebt in plaats van twee (Multiple System Estimation), maar de kernbevinding blijft hetzelfde: het lenen van kracht van de hele groep helpt je om een betere telling te krijgen voor de kleine onderdelen.

Technisch Samenvatting: Dual System Estimation met Mixed Effects Loglineaire Modellen

1. Probleemstelling

Dual System Estimation (DSE) is een standaardinstrument in de officiële statistiek voor het schatten van de populatieomvang door twee databronnen te koppelen en het aantal eenheden te schatten die door beide lijsten zijn gemist. De methode berust op de aanname van onafhankelijkheid tussen de twee lijsten en homogene inclusiekansen. Om aan de homogeniteitsaanname te voldoen, wordt DSE vaak gestratificeerd naar variabelen zoals regio.

De standaardbenadering maakt gebruik van fixed effects loglineaire modellen, waarbij parameters worden geschat voor elk niveau van de stratificatievariabele. Deze benadering kampt met aanzienlijke uitdagingen:

Parameterproliferatie: Wanneer het aantal stratificatieniveaus (bijv. regio's) groot is, wordt het aantal parameters onbeheersbaar.
Small Sample Bias: In scenario's met veel strata en kleine steekproeven binnen elk stratum, produceren fixed effects modellen (en de standaard Lincoln-Petersen estimator) vertekende schattingen.
Oneindige Schattingen: In gevallen waar de intersectie van beide lijsten leeg is binnen een specifief stratum ( $n_{11}=0$ ), levert de fixed effects estimator oneindige populatieschattingen op.

Hoewel de Chapman-estimator vaak wordt gebruikt om small-sample bias in fixed effects modellen te mitigeren, lost dit de inefficiëntie niet op die voortvloeit uit het onafhankelijk schatten van veel parameters. Dit artikel onderzoekt het gebruik van mixed effects loglineaire modellen (ook wel bekend als multilevel- of hiërarchische modellen) als een alternatief. Deze modellen vervangen de vaste parameters voor stratificatievariabelen door random effects die uit een distributie worden getrokken, waardoor "kracht geleend kan worden" (borrowing strength) over groepen heen om de stabiliteit van de schatting te verbeteren.

2. Methodologie

2.1. Fixed Effects Loglineaire Modellen

De auteurs definiëren de baseline met behulp van Poisson-regressie met een log-link.

Zonder Stratificatie: Een verzadigd model voor twee lijsten ( $A$ en $B$ ) bevat een intercept en interactietermen. Omdat de cel voor eenheden die door beide lijsten zijn gemist ( $A=0, B=0$ ) niet geobserveerd is, neemt het model onafhankelijkheid aan, wat het model reduceert tot een conditionele onafhankelijkheidsvorm.
Met Stratificatie: Wanneer een stratificatievariabele $R$ (bijv. regio) wordt geïntroduceerd, past de standaardbenadering een conditioneel onafhankelijkheidsmodel $[AR][BR]$ toe voor elk niveau $l$ van $R$ . Dit resulteert in een aparte set parameters voor elke regio, wat leidt tot een maximaal model met nul vrijheidsgraden.

2.2. Mixed Effects Loglineaire Modellen

De kern van het voorstel is om de fixed effects geassocieerd met de stratificatievariabele ( $R$ ) en de interacties daarmee te vervangen door random effects.

Modelstructuur: Het loglineaire model wordt hergeparameteriseerd om een random intercept ( $u_{0l}$ ) en random slopes ( $u_{1il}, u_{2jl}$ ) voor de inclusiekansen van lijsten $A$ en $B$ over regio's heen te bevatten.
$\log \mu_{ijl} = (\lambda + u_{0l}) + \lambda^A_i + \lambda^B_j + u_{1il} + u_{2jl}$
Hier vangt $u_{0l} \sim N(0, \sigma^2_{u0})$ de variabiliteit tussen regio's in de populatieomvang op, terwijl de slope-termen de variabiliteit in de vangstkansen (capture probabilities) vangen.
Shrinkage Estimatie: De random effect estimators fungeren als shrinkage estimators (Best Unbiased Predictors). Groepsniveau-schattingen worden "verkleind" (shrunk) richting het algemene gemiddelde, gewogen door de betrouwbaarheid van de groepsdata (steekproefomvang) en de afstand tot het globale gemiddelde. Dit vermindert de variantie en mitigeert small-sample bias zonder dat er oneindige schattingen nodig zijn.
Implementatie: Modellen worden gefit met behulp van het lme4 pakket in R, waarbij de bobyqa optimizer wordt gebruikt om convergentieproblemen aan te pakken die gebruikelijk zijn bij kleine cel-aantallen.

2.3. Bias Reductie en Extensies

Chapman Estimator: Voor fixed effects modellen passen de auteurs de Chapman-estimator toe (het toevoegen van 1 aan de $n_{11}$ cel) om small-sample bias te verminderen. Deze aanpassing wordt niet toegepast op mixed effects modellen, aangezien het shrinkage-mechanisme een vergelijkbaar doel dient voor bias-reductie.
Multiple System Estimation (MSE): De methodologie wordt uitgebreid naar drie lijsten (Triple System Estimation). De auteurs formuleren een mixed effects model voor driedimensionale tabellen, waarbij fixed interactietermen worden vervangen door random effects om de niet-geobserveerde cel ( $A=0, B=0, C=0$ ) te schatten.

3. Simulatiestudie Ontwerp

De auteurs hebben een uitgebreide simulatiestudie uitgevoerd om de prestaties van mixed effects modellen te evalueren ten opzichte van fixed effects modellen (met en zonder de Chapman-correctie).

Variërende Factoren:
- Populatieomvang ( $N$ ): Variërend van 500 tot 300.000.
- Aantal Regio's: 5 tot 30.
- Vangstkansen (Capture Probabilities): Hoge scenario's ( $\pi_A=0.8, \pi_B=0.7$ ) en lage scenario's ( $\pi_A=0.4, \pi_B=0.2$ ).
- Random Effect Distributies: Normaal (verondersteld), Lognormaal en Pareto (om robuustheid tegen schendingen van normaliteit te testen).
Metrieken: Prestaties werden beoordeeld met behulp van Mean Absolute Relative Bias (MARb), Coefficient of Variation (CV) en Mean Squared Error (MSE).

4. Belangrijkste Resultaten

Prestatievergelijking: Het mixed effects loglineaire model presteerde consequent beter dan of vergelijkbaar met het fixed effects model met de Chapman-estimator.
- Bias: Het mixed effects model vertoonde een lagere MARb, met name in scenario's met kleine populatieomvang en een groot aantal regio's (waar cel-aantallen schaars zijn).
- Variantie: Het mixed effects model vertoonde een lagere variabiliteit (CV) vergeleken met fixed effects, vooral wanneer de steekproefomvang klein was.
Robuustheid tegen Distributie-aannames: De resultaten gaven aan dat het mixed effects model robuust is tegen schendingen van de normaliteitsaanname. Schattingen afgeleid van lognormaal en Pareto verdeelde random effects leverden MARb en CV op die vergelijkbaar waren met de scenario's waarin de normaliteitsaanname standhield.
Gedrag bij Kleine Steekproeven: In scenario's waar fixed effects modellen zonder Chapman-correctie oneindige schattingen produceerden (door nul-aantallen in de intersectie), bood het mixed effects model stabiele, eindige schattingen.
Omvang van de Verbetering: Hoewel het mixed effects model beter presteerde, merken de auteurs op dat de verbetering in Mean Squared Error ten opzichte van de fixed effects model met de Chapman-estimator over het algemeen klein was.

5. Betekenis en Claims

Het artikel beweert dat mixed effects loglineaire modellen een levensvatbaar en robuust alternatief bieden voor traditionele fixed effects benaderingen, met name in de context van officiële statistiek waarbij sprake is van:

Veel Strata: Situaties waarin het aantal regio's groot is in verhouding tot de totale populatie.
Kleine Steekproefomvang: Scenario's waarin individuele strata schaarse data hebben, wat leidt tot instabiliteit in fixed effects schattingen.
Lage Vangstkansen: Contexten waarin inclusiekansen laag zijn, wat het risico op lege cellen vergroot.

De auteurs concluderen dat hoewel de Chapman-estimator een sterke presteerder blijft, mixed effects modellen een "bias-robuuste benadering" bieden die informatie over alle groepen heen leent. Deze benadering beheert op natuurlijke wijze de afweging tussen bias en variantie, vermindert het risico op oneindige schattingen en verbetert de algehele precisie in moeilijke schattingsscenario's. De methodologie wordt succesvol uitgebreid naar multiple system estimation, wat wijst op een brede toepasbaarheid die verder gaat dan enkel de dual system case.

Het artikel hanteert een bescheiden toon en erkent dat hoewel het mixed effects model beter presteert dan het fixed effects model, de winst in Mean Squared Error in de geteste scenario's vaak marginaal is. Desalniettemin worden de stabiliteit en robuustheid van de mixed effects benadering in kleine steekproefomgevingen met veel strata benadrukt als de primaire voordelen.