📊 statistics

Correcting for Nonignorable Nonresponse Bias in Ordinal Observational Survey Data

Este artigo introduz um estimador de máxima verossimilhança que estende a estrutura de propensão de resposta variável para resultados ordinais, utilizando proxies de propensão de resposta para corrigir o viés de não resposta não ignorável em pesquisas políticas, ao mesmo tempo em que integra covariáveis observáveis e pesos populacionais.

Autores originais: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

Publicado 2026-08-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Mistério da Grande Pesquisa: Quando as Pessoas que Não Aparecem são as Mais Importantes

Imagine que você está tentando adivinhar a altura média de todas as pessoas da sua cidade. Você fica na praça da cidade e pergunta às pessoas que passam: "Qual é a sua altura?". A maioria das pessoas que para para responder tem uma altura média. Mas as pessoas muito altas estão ocupadas demais se espreguiçando para alcançar a prateleira de cima, e as pessoas muito baixas estão se escondendo debaixo de guarda-chuvas. Se você contar apenas as pessoas que pararam para conversar, seu palpite estará errado. Este é o problema do viés de não resposta em pesquisas. No mundo da ciência política e da pesquisa social, os cientistas dependem de pesquisas para entender o que as pessoas pensam sobre tudo, desde a economia até a sua felicidade. Mas, à medida que mais pessoas ignoram chamadas de pesquisa ou pulam formulários online, os pesquisadores se preocupam que as pessoas que respondem sejam diferentes das pessoas que não respondem.

Geralmente, os cientistas tentam corrigir isso através do "ponderamento" das respostas. Se há menos jovens na pesquisa do que no mundo real, eles apenas contam as respostas dos jovens com mais peso para equilibrar a balança. Isso funciona muito bem se a única diferença entre os falantes e a multidão silenciosa for a idade ou o gênero. Mas e se o silêncio em si for a pista? E se as pessoas que se recusam a responder estiverem em silêncio especificamente porque estão infelizes, irritadas ou insatisfeitas? Isso é chamado de não resposta ignorável. É como se as pessoas silenciosas na praça da cidade não estivessem apenas ocupadas; elas estariam se escondendo por estarem envergonhadas de sua altura. Se você não levar em conta o porquê de estarem se escondendo, sua matemática estará errada, não importa quantos jovens você tente contar. Este é o enigma complexo que o artigo de Lafférs, Mintal e Sutóris se propõe a resolver.

O Artigo: Capturando a Multidão Silenciosa com um "Medidor de Cooperação"

Os autores deste artigo, publicado em 2026, construíram uma nova ferramenta matemática para corrigir pesquisas onde as pessoas que não respondem são diferentes daquelas que respondem, especificamente quando as respostas estão em uma escala (como "Muito Feliz" a "Muito Infeliz") em vez de apenas "Sim" ou "Não".

Pense em uma pesquisa padrão como um jogo de "Adivinhar a Pontuação". Normalmente, se alguém não aparece para o jogo, o árbitro simplesmente as ignora. Mas este artigo sugere que o árbitro pode olhar para um "Medidor de Cooperação" para adivinhar quais pontuações os jogadores ausentes teriam dado. Em seu método, eles utilizam uma pergunta feita após a entrevista, como "Quanto você gostou desta conversa?" ou "O quanto você foi cooperativo?". Este é o proxy de propensão de resposta. É uma pista deixada para trás pelas pessoas que falaram.

Os autores perceberam que, se as pessoas que odiaram a entrevista (baixa cooperação) também tendiam a dar notas baixas para a satisfação com a vida, então as pessoas que não responderam à pesquisa de forma alguma (zero cooperação) provavelmente deram notas ainda mais baixas. Eles criaram uma fórmula que conecta esses pontos. É como olhar para uma fila de pessoas esperando por um brinqute. Se as pessoas na frente da fila (que amaram o brinqute) estão sorrindo, e as pessoas no final da fila (que mal toleraram o brinqute) estão franzindo a testa, você pode adivinhar que as pessoas que nem sequer apareceram na fila provavelmente estavam franzindo a testa ainda mais.

O Que Eles Descobriram: Nem Todas as Pesquisas Precisam de um Resgate

A equipe testou sua nova ferramenta usando dados do American National Election Studies (ANES) de 2024, uma pesquisa massiva de cerca de 3.000 pessoas. Eles simularam um cenário onde cerca de 65% das pessoas não responderam à pesquisa (um número muito realista para as pesquisas modernas). Eles então usaram seu método do "Medidor de Cooperação" para adivinhar o que os 65% silenciosos teriam dito.

Os resultados foram uma mistura de "Uau, isso mudou tudo" e "Hum, não mudou tanto".

A Grande Mudança (Satisfação com a Vida): Quando olharam para o quão satisfeitas as pessoas estavam com suas vidas, a correção fez uma enorme diferença. A pesquisa não ajustada sugeria que a maioria das pessoas estava "Muito" ou "Extremamente" satisfeita. Mas, após os autores considerarem a multidão silenciosa e infeliz, o quadro mudou. Os dados corrigidos mostraram que uma parcela muito maior da população estava, na verdade, "Ligeiramente satisfeita" ou "Não satisfeita de forma alguma". A matemática mostrou um forte vínculo (uma correlação de cerca de 0,47) entre odiar a entrevista e estar infeliz com a vida. Acontece que as pessoas que estavam irritadas demais para falar eram as que estavam puxando a média da pontuação de felicidade para baixo.
A Pequena Mudança (A Economia): Quando analisaram se as pessoas achavam que a economia nacional estava melhorando ou piorando, a correção mal moveu o ponteiro. O vínculo entre odiar a entrevista e achar que a economia estava ruim era muito fraco (uma correlação de apenas 0,14). Quer incluíssem ou não a multidão silenciosa, os resultados da pesquisa permaneceram aproximadamente os mesmos.
A Zona de "Sem Mudança": Para perguntas sobre a pena de morte, aborto ou confiança na mídia, a correção quase não fez nada. A multidão silenciosa não parecia ter uma opinião diferente da multidão comunicativa sobre esses tópicos.

A Lição: Um Tamanho Não Serve para Todos

A principal lição deste artigo é que corrigir o viés de pesquisa não é uma varinha mágica que funciona para todas as perguntas. Os autores mostram que você deve verificar cada tópico individualmente. Para algumas coisas, como o quão felizes as pessoas estão com suas vidas, as pessoas que se recusam a falar estão escondendo uma realidade muito diferente, e ignorá-las fornece uma imagem falsa. Para outras coisas, como opiniões sobre a economia ou a pena de morte, as pessoas que falam e as que não falam pensam praticamente a mesma coisa.

Os autores não apenas adivinharam isso; eles realizaram simulações computacionais para provar que sua matemática funciona melhor do que os métodos antigos e, depois, aplicaram-na a dados reais. Eles descobriram que, embora seu novo método seja poderoso, ele é mais útil quando o "Medidor de Cooperação" (como o quanto alguém gostou da entrevista) realmente varia e sinaliza claramente quem está disposto a falar. Se o medidor não se move, o método não consegue adivinhar o que as pessoas silenciosas estão pensando.

Em resumo, este artigo oferece aos pesquisadores uma nova maneira prática de espiar por trás da cortina do silêncio das pesquisas. Ele nos diz que, às vezes, as pessoas que dizem "Sem comentários" são as vozes mais importantes de todas, mas apenas se soubermos ouvir as pistas que deixaram para trás.

Resumo Técnico: Corrigindo o Viés de Não Resposta Não Ignorável em Dados de Pesquisas Observacionais Ordinais

Formulação do Problema
A pesquisa de levantamento frequentemente depende de ajustes de ponderação (ex: pós-estratificação, raking) para alinhar os respondentes com as demografias populacionais. No entanto, esses métodos falham quando a não resposta é "não ignorável" — isto é, quando a probabilidade de responder depende sistematicamente do próprio resultado não observado. Nesses casos, ajustes padrão introduzem viés mesmo em estatísticas descritivas básicas. Embora o framework de Propensão de Resposta Variável (VRP) proposto por Peress (2010) aborde isso para resultados binários ao utilizar proxies de propensão de resposta (ex: cooperatividade codificada pelo entrevistador) para extrapolar em direção aos não respondentes, ele não acomoda resultados ordinais. Muitas medidas fundamentais da ciência política, como confiança, satisfação e avaliações econômicas, utilizam escalas ordinais. Colapsar essas escalas em categorias binárias descarta informações e corre o risco de alterar conclusões substantivas, particularmente se os mecanismos de seleção variarem ao longo da escala de resposta.

Metodologia
Os autores generalizam o framework VRP para lidar com resultados ordinais ( $y_n \in \{1, \dots, Y\}$ ) utilizando um modelo probit ordenado de variável latente correlacionada. O método integra três componentes principais:

Modelo de Resultado: Um modelo probit ordenado onde o resultado latente $y^*_n$ é uma função de covariáveis $x_n$ e um termo de erro $\epsilon_n$ .
Modelo de Resposta: Um modelo probit ordenado para uma proxy de propensão de resposta $r_n$ (observada apenas para respondentes), onde a resposta latente $r^*_n$ é uma função de covariáveis $z_n$ e um termo de erro $\eta_n$ . A proxy é ordenada de tal forma que valores menores indiquem maior propensão a responder. A não resposta unitária é modelada como uma categoria adicional ( $R+1$ ) nesta equação.
Mecanismo de Seleção: O modelo assume uma distribuição normal conjunta para os termos de erro $(\epsilon_n, \eta_n)$ com variâncias unitárias e um parâmetro de correlação $\rho$ . Este parâmetro $\rho$ captura a seleção não ignorável na variável não observada após o condicionamento pelas covariáveis.

A função de log-verossimilhança é construída para considerar os respondentes observados (onde tanto $y_n$ quanto $r_n$ são conhecidos) e a massa dos não respondentes (determinada pela taxa de não resposta conhecida $N_{miss}$ e pelas frações da população nos estratos). Os parâmetros $(\alpha, \beta, \lambda, \theta, \rho)$ são estimados via máxima verossimilhança. Os erros padrão são derivados via método delta com um Jacobiano numérico.

Identificação
A identificação da correlação de seleção $\rho$ baseia-se na variação sistemática na distribuição do resultado $y_n$ através das categorias da proxy $r_n$ entre os respondentes. Diferente dos modelos tradicionais de seleção de Heckman, esta abordagem não exige estritamente uma restrição de exclusão (uma variável em $z_n$ excluída da equação de resultado) porque a estrutura de limiar do probit ordenado, combinada com a normalização da variância unitária, fixa $\rho$ . No entanto, os autores observam que incluir um preditor na equação de resposta que afete a propensão de resposta, mas que seja plausivelmente excluído do resultado, pode refinar a identificação, particularmente em taxas de não resposta extremas.

Resultados Empíricos
O método é aplicado à Liberação Preliminar de 2024 do American National Election Study (ANES), utilizando uma suposição de 65% de taxa de não resposta. A proxy de propensão de resposta utilizada é a autoavaliação do respondente sobre a entrevista (7 níveis). As covariáveis incluem estado civil, gênero do cônjuge, raça e educação, definindo 60 estratos.

A análise revela que a magnitude da correção é altamente específica para cada resultado:

Satisfação com a Vida: Um forte viés de não resposta não ignorável é detectado ( $\hat{\rho} \approx 0,47$ ). A correção para este dado desloca significativamente a distribuição estimada, atribuindo uma proporção maior às categorias "Ligeiramente satisfeito" ou "Não satisfeito de modo algum" em comparação com as estimativas não ajustadas. Isso corrobora achados anteriores de que dados de bem-estar são sensíveis à dificuldade do respondente.
Avaliações Econômicas Retrospectivas: O viés é modesto ( $\hat{\rho} \approx 0,14$ ), resultando apenas em pequenos deslocamentos na distribuição em direção a "piorou".
Outros Resultados: Para medidas como confiança na mídia, importância do aborto e pena de morte, o $\rho$ estimado é estatisticamente indistinguível de zero, e as distribuições corrigidas coincidem quase totalmente com as distribuições ponderadas por pesquisa não ajustadas.

Os autores fornecem uma rotina em R implementando este estimador, que lida tanto com resultados ordinais quanto binários e roda eficientemente em hardware padrão (aproximadamente 10 minutos para a estimação completa do ANES).

Significância e Alegações
O artigo afirma fornecer uma ferramenta prática e computacionalmente leve para inferência descritiva sensível à não resposta em pesquisas observacionais. Suas principais contribuições são:

Generalização: Extensão do framework VRP de resultados binários para ordinais, preservando a informação inerente às escalas de múltiplas categorias.
Praticidade: Oferecer um estimador de máxima verossimilhança que integra proxies de propensão de resposta e pós-estratificação sem exigir instrumentos randomizados ou designs de callback de múltiplos estágios.
Nuance Empírica: Demonstrar que o valor de corrigir para a não resposta não ignorável não é uniforme; é substantivamente significativo para certas medidas de atitude (como satisfação com a vida), mas negligenciável para outras.

Os autores mantêm uma postura modesta, reconhecendo que as conclusões dependem da estrutura latente assumida e da credibilidade da proxy de propensão de resposta. Eles posicionam o método não como uma correção definitiva, mas como um mecanismo transparente para tornar explícita a extrapolação dos respondentes para os não respondentes, permitindo que pesquisadores avaliem a sensibilidade de suas estimativas de pesquisa ao processo de seleção não ignorável.

O Mistério da Grande Pesquisa: Quando as Pessoas que Não Aparecem são as Mais Importantes

O Artigo: Capturando a Multidão Silenciosa com um "Medidor de Cooperação"

O Que Eles Descobriram: Nem Todas as Pesquisas Precisam de um Resgate

A Lição: Um Tamanho Não Serve para Todos

Mais como este