Dynamic Mini Max Design and Sequential HB Inference for Repeated Surveys

Technische Samenvatting: Dynamisch Mini-Max Ontwerp en Sequentiële HB-inferentie voor Herhaalde Enquêtes

Probleemstelling
Nationale statistische bureaus (NSB's) die herhaalde enquêtes uitvoeren, worden geconfronteerd met een dubbele uitdaging: het produceren van betrouwbare schattingen van populatieniveaus bij elke golf en het nauwkeurig schatten van bewegingen (veranderingen) tussen opeenvolgende golven. Terwijl dwarsdoorsneden (cross-sectional designs) zich richten op niveaus, vereisen herhaalde enquêtes gelijktijdige precisie voor zowel niveaus als bewegingen. De precisie van bewegingsschattingen hangt niet alleen af van de steekproefomvang, maar ook van de mate van overlap tussen de steekproeven van de golven. Bestaande literatuur behandelt deze problemen vaak apart of vertrouwt op statische allocatie en retrospectieve schatting. Specifiek optimaliseren klassieke rotatiedesigns (bijv. Patterson, 1950; Rao en Graham, 1964) de overlap voor een vaste steekproefomvang zonder modelgebaseerde precisie in te bedden, terwijl composiet schattingsmethoden geen aandacht besteden aan prospectieve ontwerpen. Bovendien houden klassieke betrouwbaarheidsintervallen voor bewegingen doorgaans alleen rekening met steekproefvariantie, waarbij de modelvariantiecomponent die voortvloeit uit temporele dynamiek wordt genegeerd, wat kan leiden tot onderdekking wanneer populatieparameters stochastisch evolueren.

Methodologie
Het artikel stelt een Dynamic Mini-Max (DMM) raamwerk voor dat een Dynamic Mini-Max Design integreert met een Sequential Hierarchical Bayes Update (SHBU). Dit raamwerk breidt de statische Mini-Max benadering (Tam, 2026a) uit naar een setting met herhaalde enquêtes met behulp van een drie-componenten Hiërarchisch Bayes (HB) toestandsruimtemodel op stratumniveau:

1. Steekproefmodel: Houdt rekening met complexe steekproefontwerpen (clustering) via effectieve steekproefomvang. Het gebruikt een Binomiale likelihood voor binaire variabelen (op de logit-schaal) en een Fay–Herriot normaal model voor continue variabelen.
2. Koppelingsmodel: Leent kracht tussen strata binnen een golf door gebruik te maken van hulpvariabelen (auxiliary covariates) en random effects.
3. Propagatiemodel: Een AR(1)-proces dat de temporele dynamiek beschrijft, wat dient als een informatieve prior voor de huidige golf op basis van de staat van de vorige golf.

De DMM-ontwerpaspect
De ontwerpfase optimaliseert gezamenlijk de steekproefomvang ($n_{h,t}$) en het aantal overlappende eenheden ($m_{h,t}$) voor elk stratum $h$ bij golf $t$. Het doel is om de totale veldwerk-kosten te minimaliseren, onderhevig aan:

• Gelijktijdige precisiebeperkingen voor niveaus (Variatiecoëfficiënt, CV) en bewegingen (Standaardfout, SE).
• Grenzen aan de respondentbelasting (maximale overlapfractie $\rho_{max}$).
• Een totaal budget voor veldwerk.

Cruciaal is dat de bewegings-SE beperking wordt gedecomposeerd in een steekproefvariantiecomponent (afhankelijk van ontwerpvariabelen) en een modelvariantiecomponent (afhankelijk van de AR(1) en de koppelingsmodelparameters, geschat uit voorgaande golven). De optimalisatie behandelt $(n_{h,t}, m_{h,t})$ als gezamenlijke beslissingsvariabelen, in tegen tegenstelling tot klassieke methoden waar de steekproefomvang vaak vaststaat.

De SHBU-component
De Sequential Hierarchical Bayes Update propageert de posterieure onzekerheid van golf $t-1$ naar golf $t$.

• Mechanisme: In plaats van onafhankelijke MCMC-ketens voor elke golf te draaien, gebruikt de SHBU de posterieure trekt (draws) uit de golf $t-1$ om de prior voor golf $t$ te conditioneren. Specifiek worden de posterieure trekt $b$ uit de golf $t-1$ behandeld als vaste conditionele waarden voor de AR(1) prior in golf $t$.
• Schatting: Het raamwerk produceert coherente gezamenlijke schattingen voor niveaus en bewegingen. De bewegingsschatter wordt gedefinieerd als het verschil tussen gepaarde posterieure trekt ($\hat{\theta}^{(b)}_{d,t} - \hat{\theta}^{(b)}_{d,t-1}$), waarbij de posterieure covariantie geïnduceerd door steekproefoverlap en temporele afhankelijkheid behouden blijft.
• Intervallen: Het artikel definieert Calibrated Bayes Intervals (CBIs) voor zowel niveaus als bewegingen. Deze intervallen houden expliciet zowel de steekproefvariantie (uit het ontwerp) als de modelvariantie (uit de HB-propagatie) rekening, wat zorgt voor een geldige dekking in een setting waarin de populatie in de loop van de tijd evolueert.

Belangrijkste Bijdragen

1. Gezamenlijke Optimalisatie: Het artikel introduceert een raamwerk dat simultaan de steekproefomvang en overlap optimaliseert om precisiedoelen voor zowel niveaus als bewegingen te halen, een probleem dat verschillend is van statische dwarsdoorsnede-allocatie.
2. Coherente Inferentie: Het biedt een verenigd inferentieel raamwerk waarbij onzekerheden voor niveaus en bewegingen gezamenlijk worden gekwantificeerd. Het bewegings-CBI houdt correct rekening met de modelvariantiecomponent ($\hat{V}_{mod}$), die klassieke ontwerpgebaseerde intervallen negeren.
3. Sequentiële Actualisering: De SHBU maakt automatische sequentiële actualisering mogelijk zonder de noodzaak van ad-hoc composiet-schatter-ketens of het afkappen van historische data, aangezien de volledige posterieure geschiedenis is gecodeerd in de AR(1) prior.
4. Small Area Estimation: Door gebruik te maken van het HB-koppelingsmodel, maakt het raamwerk betrouwbare schattingen mogelijk voor kleine domeinen (arme strata) die anders een onbetaalbaar grote steekproefomvang zouden vereisen onder een puur ontwerpgebaseerde aanpak.

Resultaten
Het raamwerk werd geëvalueerd met behulp van een vier-golf simulatie gebaseerd op 2021 Australische Census microdata (golf 1) en gesimuleerde data voor golven 2–4, gekalibreerd aan historische Australische Bureau of Statistics Labour Force Survey dynamieken.

• Kostenefficiëntie: Startend vanaf dezelfde 5% proportionele allocatie ($n_A = 42.018$) die in een klassiek ontwerp wordt gebruikt, verminderde de DMM de vereiste steekproefomvang tot $n^* = 40.251$ (een reductie van 4,2%) terwijl alle precisiebeperkingen werden nageleefd. Dit resulteerde in een besparing op de veldwerk-kosten van ongeveer 6,3%.
• Niveau-dekking: Beide ontwerpen bereikten vergelijkbare niveau-dekking en puntnauwkeurigheid (Maximale Absolute Relatieve Fout ratio's tussen 0,844 en 1,263).
• Bewegingsdekking: Er werd een significante divergentie waargenomen. De DMM behaalde 100% bewegingsdekking over alle 27 domein-variabele cellen. In contrast hiermee behaalde het klassieke ontwerp een dekking van 82%–96% (87,5%–95,0% nationaal). De klassieke intervallen vertoonden onderdekking omdat ze er niet in slaagden de modelvariantiecomponent te verrekenen die inherent is aan de stochastische evolutie van de populatie.
• Gevoeligheid: De resultaten wijzen erop dat de geldigheid van de DMM-niveau-inferentie gevoelig is voor de correcte kalibratie van de AR(1) propagatiecoëfficiënt; foutieve specificatie kan de dekking verslechteren.

Betekenis
Het artikel beweert dat het DMM-raamwerk een superieur aanpak biedt voor herhaalde enquêtes door de beperkingen van statische ontwerpen en klassieke inferentie in een dynamische omgeving aan te pakken. De primaire betekenis ligt in het bieden van coherente gezamenlijke onzekerheidskwantificering voor niveaus en bewegingen, waardoor betrouwbaarheidsintervallen voor bewegingen geldig blijven, zelfs wanneer populatieparameters stochastisch evolueren. Door zowel het ontwerp als de variabelen gezamenlijk te optimaliseren en gebruik te maken van sequentiële Bayesiaanse actualisering, bereikt het raamwerk kostenefficiëntie en handhaaft het strikte precisienormen zonder de operationele onhandelbaarheid van het uitbreiden van composiet-schatter-ketens over vele golven. Het artikel concludeert dat hoewel het raamwerk steunt op de aanname van een stationair AR(1)-proces, de beschikbaarheid van historische data empirische kalibratie en modelselectie mogelijk maakt om de risico's van foutieve specificatie te mitigeren.