📊 statistics

Weighting a Census as a Non-Probability Sample: A Doubly Robust Framework for Correcting Differential Undercoverage in Uruguay's 2023 Census

Dit artikel stelt een dubbel robuust weegframework voor dat respons-propensity modellering combineert met demografische kalibratie om de niet-willekeurige onderdekking in de Uruguayaanse volkstelling van 2023 te corrigeren, waardoor onbevooroordeelde populatieschattingen en sociale indicatoren worden geproduceerd ondanks de beperkingen van beschikbare administratieve gegevens.

Oorspronkelijke auteurs: Ferreira Juan Pablo, Goyeneche Juan Jose

Gepubliceerd 2026-06-05

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ferreira Juan Pablo, Goyeneche Juan Jose

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 de Uruguayse Volkstelling van 2023 voor als een enorme poging om een foto te maken van de gehele bevolking van het land. Ideaal gezien zou deze foto iedereen bevatten, waarbij perfect wordt vastgelegd wie ze zijn, waar ze wonen en hoe hun leven eruitziet.

Echter, de foto kwam op specifieke plekken wazig uit de bus. Ongeveer 10% van de mensen ontbrak in de foto. Erger nog, ze waren niet willekeurig weg; de camera miste de mensen die het het moeilijkst hadden — de armen, de plattelandsbewoners en jongvolwassenen. Als je alleen de mensen zou tellen die wel in de foto stonden, zou je denken dat het land rijker, ouder en stedelijker was dan het in werkelijkheid is.

De statistici van het Nationaal Instituut voor Statistiek (INE) van Uruguay moesten deze "wazige foto" repareren zonder de mogelijkheid te hebben om de foto opnieuw te maken. Dit is hoe ze het deden, met een methere die ze Doubly Robust Weighting noemen.

Het Probleem: Waarom alleen maar mensen "toevoegen" niet werkte

Eerst probeerde de overheid de ontbrekende aantallen te herstellen door naar hun "digitale voetafdrukken" te kijken — administratieve gegevens zoals belastingbestanden, medische dossiers en nutsbedrijven. Ze vonden op deze manier ongeveer 3anim 350.000 ontbrekende mensen.

Denk bij dit proces aan het proberen te repareren van een puzzel door stukjes te zoeken in een andere doos. Hoewel ze het aantal ontbrekende mensen vonden, waren deze stukjes incompleet. De digitale gegevens vertelden hen de namen, leeftijden en algemene locaties van de ontbrekende mensen, maar ze wisten niet of deze mensen een dak boven hun hoofd hadden, hoeveel kinderen ze hadden, of dat ze in een overvol appartement woonden.

Als ze deze incomplete stukjes simpelweg in de puzzel zouden plakken, zou het beeld nog steeds vertekend zijn. Ze hadden een manier nodig om de ontbrekende details te raden op basis van de mensen die wel succesvol gefotografeerd waren.

De Oplossing: Het "Doubly Robust" vangnet

De onderzoekers behandelden de succesvol gefotografeerde huishoudens als een "niet-waarschijnlijkheidssteekproef". In gewone mensentaal betekent dit dat ze toegaven: "We hebben deze mensen niet willekeurig gekozen; de mensen die ons binnenlieten, waren makkelijker te vinden. We moeten corrigeren voor dat aspect."

Om dit op te lossen, bouwden ze een tweeledig vangnet genaamd een Doubly Robust raamwerk. Stel je voor dat je de gemiddelde lengte van een menigte probeert te raden, maar je ziet alleen de mensen die dicht bij de voorkant staan.

Model A (De gok over "Wie ontbreekt?"): Ze keken naar de wijken (segmenten) en vroegen zich af: "Hoe moeilijk was het om hier mensen te vinden?" Ze gebruikten een slimme truc: ze keken naar hoeveel mensen in die buurt succesvol online de volkstelling hadden ingevuld. Als een buurt een laag online voltooiingspercentage had, namen ze aan dat het ook lastig was om daar mensen persoonlijk te vinden. Dit hielp hen te raden wie er ontbrak.
Model B (De gok over "Hoe zien ze eruit?"): Ze gebruikten de bekende feiten over het land (totaal aantal mannen, totaal aantal vrouwen, totaal aantal mensen in elke stad) om een "doelprofiel" te creëren. Ze vroegen: "Als we het hele land hadden, hoe zou de mix van leeftijd en geslacht er dan uitzien?"

De "Doubly Robust" magie:
De schoonheid van deze methode is dat het een back-up plan heeft.

Als Model A perfect is maar Model B iets afwijkt, is het resultaat nog steeds accuraat.
Als Model B perfect is maar Model A iets afwijkt, is het resultaat nog steeds accuraat.
Het faalt alleen als beide gokken fout zijn.

Dit is als het hebben van twee verschillende kaarten om een schat te vinden. Als de ene kaart oud is en de andere nieuw, kun je de plek nog steeds vinden, zolang tenminste één van de twee klopt.

Het Proces: De Foto Uitrekken

Zodra ze deze twee modellen hadden, pasten ze "gewichten" toe op de mensen die wel geteld waren.

Als iemand uit een buurt kwam die moeilijk te bereiken was (zoals een arm platteland), werd hun "gewicht" verhoogd. Statistisch gezien betekent dit: "Eén persoon in deze foto vertegenwoordigt 1,5 persoon in de werkelijkheid."
Als iemand uit een gemakkelijk bereikbare omgeving kwam, bleef hun gewicht dicht bij de 1.

Vervolgens pasten ze deze gewichten aan totdat het totaal aantal mannen, vrouwen en mensen in elke stad overeenkwam met de officiële overheidsgegevens. Dit zorgde ervoor dat het uiteindelijke beeld niet slechts een gok was, maar wiskundig gedwongen werd om overeen te komen met de demografische realiteit van het land.

Het Resultaat: Een Helderder Beeld van de Realiteit

Toen ze deze methode toepasten, veranderde het beeld aanzienlijk.

Voorheen: De volkstelling zag eruit als een land van oudere, rijkere mensen die in steden woonden.
Nadat: De gewogen gegevens onthulden meer jongvolwassenen, meer mensen die op het platteland woonden en meer gezinnen die worstelden met huisvestingsproblemen (zoals overbevolking of slechte bouwmaterialen).

Bijvoorbeeld, het percentage mensen dat in informele nederzettingen (sloppenwijken) woonde, steeg van 4,5% naar 5,5%. Dit kwam niet doordat er meer mensen naar die gebieden waren verhuisd; het kwam omdat de oorspronkelijke foto de mensen die daar woonden had gemist. De nieuwe methode "vulde de gaten in" op basis van de patronen van de mensen die wel gevonden waren.

Waarom dit ertoe doet

Dit artikel zegt niet alleen "we hebben meer mensen geteld". Het biedt een nieuw regelboek voor hoe je een land te tellen wanneer de traditionele methode faalt. Het laat zien dat wanneer je geen perfecte willekeurige steekproef kunt krijgen, je nog steeds een betrouwbaar beeld kunt krijgen door te combineren:

Slimme gokken over wie er ontbreekt (met behulp van lokale aanwijzingen zoals internetgebruik).
Hard feiten over de totale populatie (met behulp van overheidsgegevens).
Een vangnet dat ervoor zorgt dat je het niet fout hebt omdat één van je gokken iets afweek.

Kortom, ze hebben een gebrekkige, bevoordeelde snapshot omgevormd tot een betrouwbaar, representatief portret van de gehele natie, waardoor werd gewaarborgd dat de meest kwetsbare mensen niet onzichtbaar bleven in de definitieve statistieken.

Technische Samenvatting: Het wegen van een volkstelling als een niet-proportionele steekproef

Probleemstelling
De volkstelling van 2023 in Uruguay, uitgevoerd door het Instituto Nacional de Estadística (INE), kampte met een aanzienlijk onderdekingspercentage van 10,3%, een duidelijke stijging ten opzichte van de 4,07% die in 2011 werd waargenomen. Cruciaal was dat deze onderdekking niet-willekeurig (differentieel) was, geconcentreerd in kwetsbare sociaaleconomische klassen, rurale gebieden en onder jongvolwassenen (aged 25–35). Als gevolg hiervan was de getelde populatie systematisch ouder en welvarender dan de doelpopulatie, waardoor directe schattingen van sociale indicatoren vertekend waren.

Hoewel het INE administratieve gegevens (AR) integreerde om geaggregeerde populatieaantallen te herstellen, faalde deze aanpak in het corrigeren van selectiebias in uitkomstvariabelen. De AR's missen kernvariabelen van de volkstelling (bijv. opleiding, huisvestingsomstandigheden), vertonen een bias door institutionele zichtbaarheid en urbaniteit, en reconstrueren geen huishoudstructuren. Traditionele hot-deck imputatie werd als onvoldoende beschouwd omdat het ervan uitgaat dat ontbrekende gegevens willekeurig zijn voorwaardelijk op geobserveerde donoren, een aanname die wordt geschonden door de differentiële aard van de onderdekking in 2023. Daarom was een methode vereist om de effectief getelde huishoudens te behandelen als een niet-proportionele steekproef met een onbekend selectiemechanisme, en om te corrigeren voor differentiële onderdekking zonder te vertrouwen op massale imputatie van ontbrekende substantiële variabelen.

Methodologie
De auteurs stellen een Doubly Robust (DR) wegingframework voor dat de volkstelling behandelt als een niet-proportionele steekproef. De methodologie verloopt in twee fasen:

Respons-propensity modellering (Fase Eén):
- Het framework modelleert de waarschijnlijkheid van enumeratie op het niveau van het censussegment (het basis enumeratiegebied).
- Het maakt gebruik van een Linkage Rate-Based Census Response Model (LRBM). Dit model ontleedt deelname aan de enquête in contact en coöperatie. Gezien het verplichte karakter van de volkstelling, wordt aangenomen dat coöperatie bijna universeel is; daarom wordt de respons-waarschijnlijkheid geproxy door de web-vragenlijst linkage-ratio binnen een segment. Segmenten met lagere linkage-ratio's worden afgeleid te hebben grotere contactproblemen en hogere onderdekingspercentages.
- Inverse-probability gewichten ( $w_{nr}$ ) worden berekend als het inverse van de geschatte respons-propensity ( $\hat{\phi}$ ). Deze gewichten worden afgekapt op 2,5 om variantie te beheersen.
Kalibratie (Fase Twee):
- De non-respons gewichten worden aangepast via kalibratie om overeen te komen met de bekende populatietotalen van de gecombineerde census (veld-enumeratie + AR).
- De kalibratiedoelen zijn demografische totalen per geslacht, enkel geboortejaar en departement.
- Deze fase implementeert effectief een generalized regression (GREG) estimator. Onder een lineair werkmodel is de DR-estimator wiskundig equivalent aan een kalibratie-estimator.
- Het framework waarborgt dat de uiteindelijke gewichten voldoen aan de restrictie $\sum w_i x_i = X$ , waarbij $X$ de bekende demografische totalen vertegenwoordigt.

De Doubly Robust Eigenschap
De kern van de theoretische bijdrage is de toepassing van de DR-estimator, die een respons-propensity model combineert met een superpopulatie (uitkomst) model. De estimator is consistent indien ofwel het respons-model (propensity) ofwel het uitkomst-model (kalibratie) correct gespecificeerd is. Dit biedt robuustheid tegen mis-specificatie van het onderdekkingsmechanisme, een cruciaal kenmerk wanneer het werkelijke selectieproces onbekend is.

Belangrijkste Bijdragen

Conceptuele Verschuiving: Het artikel vestigt een coherente behandeling van een nationale volkstelling als een niet-proportionele steekproef, waarbij verder wordt gegaan dan traditionele design-gebaseerde inferentie wanneer onderdekking heterogeen is.
Implementatie op Productieschaal: De auteurs documenteren de toepassing van dit framework op een microdatabestand van meer dan drie miljoen records. Dit omvat het afhandelen van randgevallen zoals "certainty units" (bijv. daklozen, collectieve verblijven toegewezen met gewicht 1) en het oplossen van lokaliteits-inconsistenties via ratio-aanpassingen voorafgaand aan de kalibratie.
Operationele Begeleiding: Het artikel biedt een beslissingsmatrix voor Nationale Statistiekbureaus (NSO's) om de toepasbaarheid van DR-weging te bepalen op basis van databeschikbaarheid en infrastructuur (bijv. de beschikbaarheid van geïntegreerde administratieve registers versus de afhankelijkheid van Post-Enumeration Surveys).
Variantie-approximatie: In het besef dat resampling-methoden (bootstrap/jackknife) computationeel onhaalbaar zijn voor census-schaal data en dat respons-propensities als vaste parameters worden behandeld, stellen de auteurs een equivalent gestratificeerd clusterontwerp voor de variantie-schatting. Dit gebruikt de ultimate-cluster methode om standaardfouten te benaderen, waarbij rekening wordt gehouden met clustering op huishoudniveau en stratificatie op segmentniveau.

Resultaten en Impact
De toepassing van het DR-framework resulteerde in gewogen schattingen die systematisch de representatie van groepen verhoogden die door de Post-Enumeration Survey (PES) als onderverdekt werden geïdentificeerd.

Demografische Correcties: De gewogen schattingen corrigeerden de leeftijd-geslacht structuur, waarbij met name de representatie van jongvolwassenen (25–35) en de rurale populatie toenam.
Sociale Indicatoren: Het framework onthulde hogere niveaus van deprivatie dan de ongewogen gecombineerde census. Bijvoorbeeld:
- Woonachtig zijn in informele nederzettingen steeg van 4,5% naar 5,5%.
- Het aandeel van de rurale populatie steeg van 4,1% naar 5,0%.
- Indicatoren van huisvestingsdeprivatie (inadequate materialen, overbewoning, gebrek aan kookruimte) namen allemaal toe, wat overeenkomt met de PES-diagnose dat de weggelaten populatie onevenredig kwetsbaar was.
Bias Reductie: De gewogen schattingen bewogen in de richting en omvang die door de onafhankelijke PES-diagnose werd gesuggereerd, wat bevestigt dat het framework erin geslaagd is de selectiebias die inherent is aan de ruwe geënumereerde data te mitigeren.

Betekenis en Claims
Het artikel claimt dat dit framework een levensvatbaar paradigma biedt voor officiële statistieken die te maken hebben met moderne druk op de dekking. Het betoogt dat hoewel administratieve integratie noodzakelijk is voor het herstellen van geaggregeerde aantallen, dit onvoldoende is voor het corrigeren van substantiële bias. De DR-benadering wordt gepresenteerd niet als een garantie voor onbevooroordeeldheid, maar als een strategie voor bias-reductie die stabieler is dan single-model benaderingen of univariate kalibratie.

De auteurs benadrukken dat de gewogen microdata als basis moet dienen voor alle populatieschattingen, en dat ongewogen aantallen niet gebruikt mogen worden voor de productie van indicatoren. De studie concludeert dat het combineren van niet-proportionele inferentie technieken (DR-estimatie, propensity modellering) met meerdere hulpbronnen (AR, paradata, PES) het voor NSO's mogelijk maakt om representativiteit te herstellen, zelfs wanneer het selectiemechanisme onbekend is en de onderdekking ernstig is.