Diagnostics-guided variance-inflated Fay-Herriot estimation from non-probability samples

Technische Samenvatting: Diagnostiek-gestuurde variantie-geïnflateerde Fay–Herriot schatting vanuit niet-probabilistische steekproeven

Probleemstelling
Het artikel behandelt de uitdaging van kleine-gebied-schattingen (small area estimation, SAE) met behulp van niet-probabilistische gegevensbronnen, zoals administratieve registers of platformgegevens. Hoewel inverse waarschijnlijkheidsweging (IPW) en kalibratie standaardtechnieken zijn om selectiebias in deze context te verminderen, varieert de betrouwbaarheid van de resulterende domeinschatter variërend sterk per klein gebied. Een cruciale beperking van het standaard Fay–Herriot (FH) model in deze context is de afhankelijkheid van verstrekte gebiedsniveau variantieschattingen ($\hat{V}_d$) als enige maatstaf voor onzekerheid. De auteurs stellen dat $\hat{V}_d$ vaak faalt in het vatten van de risico's die gepaard gaan met zwakke domeindekking, instabiele gewichten of slechte hulpbron-balans (auxiliary balance). Bijgevolg kan standaard FH-smoothing onterecht vertrouwen op onbetrouwbare inputs leiden, wat misleidende schattingen tot gevolg heeft.

Methodologie
De voorgestelde aanpak introduceert een diagnostiek-gestuurde variantie-geïnflateerde FH-schatter voor eindpopulatie-domeintotalen. De methode verloopt in drie stadia:

1. Gekalibreerde IPW-schatting:
   Domeintotalen worden eerst geschat met gekalibreerde IPW. Een logistisch participatiemodel wordt gefit om inclusie-waarschijnlijkheden ($\hat{\pi}_i$) te schatten, wat de ruwe IPW-gewichten genereert. Deze gewichten worden vervolgens binnen elk domein gekalibreerd naar bekende populatietotalen (bijv. domeingrootte of hulpbron-totalen) met behulp van een kwadratische afstandminimalisatie. De variantie van de gekalibreerde schatters wordt geschat via een gegeneraliseerde multiplier-bootstrap die het participatiemodel opnieuw fit en de gewichten in elke replicatie herkalibreert.

2. Domeindiagnostiek en Betrouwbaarheidsscore:
   Om de kwaliteit van de IPW-input te beoordelen, berekent de methode drie diagnostische waarden op domeinniveau:

   • Dekkingspercentage ($c_d$): Het aandeel van de domeinpopulatie dat door de steekproef wordt vertegenwoordigd.
   • Gewichtsvariabiliteit ($CV_{w,d}$): De coëfficiënt van variatie van de gekalibreerde gewichten, wat de stabiliteit van de schatter aangeeft (hoge variabiliteit duidt op een afhankelijkheid van enkele eenheden).
   • Hulpbron-balans ($B_d$): De Euclidische afstand tussen de gewogen steekproefgemiddelden en de bekende populatiegemiddelden van gestandaardiseerde hulpbron-variabelen.

   Deze diagnostische waarden worden genormaliseerd en gecombineerd in een enkele betrouwbaarheidsscore ($Q_d$) voor elk in aanmerking komend domein. Domeinen met lage scores worden gemarkeerd als zijnde minder goed geïnformeerd.

3. Mengeling Variantie-geïnflateerd FH-model:
   De kerninnovatie is een mengmodel toegepast op de FH-observatievergelijking. Een latente indicator $\xi_d \in \{0, 1\}$ bepaalt of een domein een "gewone" component volgt of een "variantie-geïnflateerde" component.

   • De waarschijnlijkheid van de gewone component ($\pi_d$) wordt gelijkgesteld aan de genormaliseerde betrouwbaarheidsscore $Q_d$.
   • De observatievergelijking wordt gedefinieerd als:
     $$\hat{Y}^{IPW}_d | \theta_d, \xi_d \sim N\{\theta_d, \hat{V}_d + (1-\xi_d)\tau\}$$
     waarbij $\tau \geq 0$ een inflatieparameter is.
   • Domeinen met lage betrouwbaarheidsscores (lage $\pi_d$) worden toegewezen aan de geïnflateerde component, wat de observatievariantie effectief vergroot. Dit zorgt ervoor dat de FH-shrinkage deze schattingen sterker richting het regressiegemiddelde ($\theta_d$) trekt, waardoor de invloed van potentieel bevooroordeelde of instabiele inputs wordt verminderd.

   De modelparameters ($\beta, A, \tau$) en posterieure waarschijnlijkheden worden geschat via een iteratief algoritme.

Belangrijkste Bijdragen
Het artikel levert drie specifieke bijdragen:

1. Compacte Constructie van Diagnostiek: Het stelt een verenigde betrouwbaarheidsscore voor op basis van dekking, gewichtsstabiliteit en hulpbron-balans om de kwaliteit van niet-probabilistische IPW-inputs te kwantificeren.
2. Mengeling Variantie-inflatie: Het integreert deze betrouwbaarheidsscore in een meng-FH-model, waardoor de data-gestuurde inflatie van de observatievariantie voor onbetrouwbare domeinen mogelijk wordt gemaakt, in plaats van alle inputs als even betrouwbaar te behandelen.
3. Validatie met Bekende Waarheid: Het valideert de methode met behulp van een pseudo-reële populatie van Litouwse bedrijfsentiteiten waarbij de ware domeintotalen bekend zijn, wat een directe beoordeling van de schattingsfout mogelijk maakt.

Resultaten
De validatie werd uitgevoerd op een populatie van 2.839 Litouwse ondernemingen over 23 economische domeinen, waarbij maandelijkse omzet als studievariabele werd gebruikt. De voorgestelde schatter werd vergeleken met:

1. Gekalibreerde IPW-schatters.
2. Standaard FH-schatters (zonder variantie-inflatie).

De resultaten toonden een substantiële reductie in de schattingsfout voor de voorgestelde methode:

• Geaggregeerde Relatieve Fout: Verminderd van 14,56% (Gekalibreerde IPW) en 12,83% (Standaard FH) naar 2,67% (Voorgestelde VI-FH) onder domeingrootte-kalibratie.
• Domein RMSE: Verminderd van 7,87 miljoen (IPW) en 7,59 miljoen (Standaard FH) naar 1,31 miljoen (Voorgestelde methode).
• MAPE: Verminderd van 61,22% (IPW) en 57,68% (Standaard FH) naar 13,39% (Voorgestelde methode).

Verder bevestigde de studie dat de diagnostische scores empirisch gecorreleerd waren met de werkelijke absolute relatieve fouten van de IPW-schatters, wat het nut ervan als pre-smoothing betrouwbaarheidsindicatoren valideert. De auteurs merkten ook op dat het toevoegen van rijkere hulpbron-kalibratie-informatie (voorbij domeingrootte) de prestaties niet automatisch verbeterde, wat suggereert dat kalibratiesets als statistische specificaties moeten worden behandeld in plaats van monotone verbeteringen.

Betekenis en Claims
Het artikel claimt dat de methode een transparant mechanisme biedt om diagnostische bewijslast over zwakke niet-probabilistische ondersteuning door te geven aan de gebiedsniveau FH-analyse. Er wordt expliciet gesteld dat de methode geen willekeurige ongemeten selectiebias identificeert zonder externe benchmarks. In plaats daarvan ligt de betekenis in het voorkomen dat het gebiedsniveau-model alle niet-probabilistische IPW-inputs als even betrouwbaar behandelt wanneer hun variantieschattingen alleen onvoldoende zijn om de onzekerheid te beschrijven. De auteurs presenteren dit als gericht bewijs van de effectiviteit van het variantie-inflatiemechanisme, in plaats van een uitputtende beoordeling van alle niet-probabilistische selectiemechanismen.