Direct domain estimation via regression-tree-assisted estimators in the production of official statistics

Technische Samenvatting: Directe Domein-schatting via Regressieboom-ondersteunde Schatters

Probleemstelling
Nationale Statistische Instituten (NSI's) werken doorgaans volgens een "uni-gewicht"-benadering, waarbij een enkele set gewichten wordt gebruikt om meerdere parameters en subpopulaties (domeinen) te schatten. Hoewel deze strategie operationele voordelen biedt—zoals computationele eenvoud, schaalvoordelen en interne consistentie (additiviteit/benchmarking)—is deze niet altijd optimaal voor specifieke subpopulaties. De efficiëntie van model-ondersteunde schatters hangt af van de voorspellende kracht van het ondersteunende model voor de variabele van belang binnen een specifiek domein. Een enkel model dat op de gehele populatie wordt gefit, slaagt er vaak niet in om de specifieke relaties tussen hulpvariabelen en de studievariabelen binnen een ongepland domein (subpopulaties die niet zijn gedefinieerd door het steekproefontwerp) te vangen. Dit creëert een spanning tussen het operationele gemak van een verenigd wegingsysteem en de noodzaak voor lokale schattings-efficiëntie.

Methodologie en Raamwerk
Het artikel opereert binnen een design-gebaseerd raamwerk voor directe schatting, waarbij de familie van model-ondersteunde schatters wordt uitgebreid met regressiebomen. De studie richt zich op het schatten van totalen ($Y_d$) voor ongeplande domeinen ($U_d$) met behulp van een eindige populatie $U$.

Twee verschillende strategieën voor het toepassen van regressiebomen als ondersteunende modellen worden geformuleerd:

1. RTU (Regressieboom - Uni-gewicht): Een enkele regressieboom wordt gefit op de gehele steekproef ($s$) op populatieniveau. De resulterende voorspellingen worden gebruikt om een enkele set gewichten af te leiden die toepasbaar is op elk domein.
2. RTD (Regressieboom - Domeinspecifiek): Een aparte regressieboom wordt specifief gefit op de data binnen elk domein ($s_d$).

Het artikel demonstreert dat beide schatters kunnen worden uitgedrukt als gewogen sommen van steekproefobservaties ($\sum w^*_i y_i$), waarbij de gewichten $w^*_i$ onafhankelijk zijn van de studievariabele $y$. Dit behoudt de "uni-gewicht"-eigenschap en waarborgt additiviteit (benchmarking) met betrekking tot het populatietotaal.

Belangrijke Theoretische Bijdragen

• Formulering van RTD: Het artikel formuleert de domeinspecifieke boomschatter en toont aan dat deze geschreven kan worden als een lineaire combinatie van steekproefobservaties met gewichten die de domeinpopulatie grootte zonder fout schatten.
• Karakterisering van RTU: Het karakteriseert de boomschatter op populatieniveau en breidt het argument van Estevao en Särndal (1999) uit naar boom-gebaseerde modellen. De auteurs bewijzen dat wanneer een model op populatieniveau wordt gefit, de resulterende domeinschatter asymptotisch neigt te gedragen als de Horvitz–Thompson (HT) schatter binnen die domeinen. Dit gebeurt omdat de globale fit wordt "naar beneden getrokken" richting het nulmodel voor eenheden buiten het domein (waar de uitgebreide variabele nul is), waardoor de binnen-domein residu-variantie niet wordt verminderd.
• Mechanisme voor Variatiereductie: Omgekeerd bereikt de domeinspecifieke model (RTD) aanzienlijke reducties in variantie die proportioneel zijn aan de binnen-domein voorspellende kracht ($R^2_d$). De variantie van de RTD-schatter wordt aangetoond ongeveer $(1 - R^2_d)$ keer de variantie van de HT-schatter te zijn.
• Design Consistentie: Propositie 1 stelt de design-consistentie van de boom-ondersteunde schatter vast onder standaard asymptotische condities, mits de boomgrootte begrensd is of langzaam groeit ten opzichte van de steekproefomvang om het Kish-effect (gewichtsvariabiliteit) te beheersen.

Empirische Resultaten
Een simulatiestudie met microdata uit de Uruguayaanse Continue Huishoudelijke Enquête (ECH) illustreert het gedrag van deze schatters:

• Populatieniveau: De boom-ondersteunde schatter (RT) vermindert de variantie aanzienlijk vergeleken met de HT-schatter voor de gemodelleerde variabele (werkstatus), met design-effecten (deff) variërend van 0,55 tot 0,73. Echter, voor een niet-gemodelleerde variabele (werkloosheid) is de verbetering verwaarloosbaar (deff $\approx$ 1), wat een beperking van de uni-gewicht benadering benadrukt wanneer het model is afgestemd op een specifieke variabele. De RT-schatter presteerde beter dan traditionele post-stratificatie (PS) door bias vanuit lege cellen te vermijden en coherentie te behouden.
• Domeinniveau: Bij het schatten van totalen per departement vertoonde de RTU-schatter geen efficiëntiewinst ten opzichte van HT (deff $\approx$ 1). In tegen testelling hiermee bereikte de RTD-schatter aanzienlijke reducties in variantie (deff $\approx$ 0,3) in de meeste departementen, wat de theoretische voorspelling bevestigt dat lokaal model-fitting noodzakelijk is voor precisie op domeinniveau.

Betekenis en Beperkingen
Het artikel betoogt dat de RTD-schatter een aantrekkelijke route biedt voor het verbeteren van de precisie in ongeplande domeinen, terwijl de operationele voordelen van een verenigd wegingsysteem behouden blijven. Het stelt NSI's in staat om nauwkeurigere domeinschattingen te produceren zonder terug te vallen op indirecte Small Area Estimation (SAE) methoden, mits de domeinstekenproefomvang voldoende groot is.

De auteurs merken expliciet de volgende beperkingen op:

1. Variabele-specificiteit: Verbeteringen zijn geconcentreerd in de variabele die voor het bouwen van het model is gebruikt; schattingen voor andere variabelen profiteren mogelijk niet.
2. Boomgrootte: Het te groot laten groeien van bomen vergroot het Kish-effect, wat potentieel de variantie doet opbloeien.
3. Steekproefomvangseisen: De methode vereist voldoende grote verwachte domein-steekproefomvang ($E(n_d)$) om stabiele binnen-domein fitting te garanderen. In zeer kleine domeinen blijft indirect model-gebaseerde schatting noodzakelijk.
4. Trade-off: Het verkrijgen van lokale precisie via RTD gaat ten koste van het niet hebben van de "optimale" schatter op populatieniveau, hoewel deze kosten als gering worden beschouwd in grootschalige enquêtes.

Het artikel concludeert door voor te stellen dat de keuze tussen RTU, RTD en indirecte SAE geleid moet worden door de verwachte domein-steekproefomvang, waarbij RTD de geprefereerde strategie is voor domeinen met voldoende data waar directe schatting haalbaar is.