Doubly Robust Machine Learning for Population Size Estimation with Missing Covariates: Application to Gaza Conflict Mortality

Resumo Técnico: Aprendizado de Máquina Duplamente Robusto para Estimativa de Tamanho Populacional com Covariáveis Ausentes

1. O Problema

A estimativa do tamanho de populações de difícil acesso (como vítimas de conflitos, pessoas em situação de rua ou usuários de drogas) é frequentemente realizada através de métodos de captura-recaptura (ou estimativa de múltiplos sistemas). O desafio central é que, para lidar com a heterogeneidade (indivíduos com diferentes probabilidades de serem detectados), é necessário utilizar covariáveis auxiliares (idade, sexo, localização, etc.).

No entanto, em cenários reais, essas covariáveis são frequentemente incompletas ou ausentes devido a:

• Relutância em compartilhar informações sensíveis.
• Limitações na coleta de dados ou falhas no vínculo de registros (record linkage).
• Sistemas de dados administrativos imperfeitos.

Abordagens tradicionais costumam ignorar os dados ausentes (causando viés de seleção) ou utilizar imputação a priori, o que pode introduzir erros sistemáticos significativos, especialmente quando a ausência do dado está relacionada tanto às covariáveis quanto ao próprio processo de captura.

2. Metodologia

Os autores propõem um novo framework de estimativa não paramétrica que combina a teoria de eficiência semiparamétrica com métodos de Aprendizado de Máquina (ML). A metodologia baseia-se em dois pilares de identificação:

• Assunção de Nenhuma Interação de Ordem Superior (NHOI): Utiliza um modelo log-linear condicional para permitir dependências entre as listas de captura, mas assume que não há uma interação de ordem $K$ (onde $K$ é o número de listas), o que torna o modelo identificável.
• Assunção de Dados Ausentes ao Acaso (Missing at Random - MAR): Assume que o mecanismo de ausência das covariáveis $X$ é independente de seus próprios valores, dado as covariáveis sempre observadas $V$ e o perfil de captura $Y$.

O Estimador de Um Passo (One-step ML Estimator):
Em vez de apenas substituir os valores ausentes (plug-in), os autores desenvolvem um estimador duplamente robusto. Eles derivam a Função de Influência Eficiente (EIF) para a probabilidade de captura inversa. O estimador é construído "debiasing" (removendo o viés) do estimador plug-in através da EIF.

A característica "duplamente robusta" significa que o erro do estimador depende de termos de segunda ordem (produtos dos erros de estimativa das funções de nuisance). Isso garante que, mesmo que os modelos de probabilidade de captura ou de mecanismo de ausência sejam levemente mal especificados, o estimador permaneça consistente e eficiente.

3. Principais Contribuições

1. Framework Não Paramétrico: Permite o uso de algoritmos de ML flexíveis (como Random Forests) para estimar as probabilidades de captura e os mecanismos de ausência, sem impor formas funcionais rígidas (como linearidade).
2. Robustez e Eficiência: O estimador alcança o limite de eficiência não paramétrica e é robusto a erros de especificação de modelos de nuisance.
3. Garantias de Amostra Finita: Ao contrário de métodos puramente assintóticos, o framework fornece garantias de validade de inferência (intervalos de confiança aproximadamente válidos) para qualquer tamanho de amostra $N$.
4. Tratamento de Covariáveis Ausentes: Resolve o problema de dados incompletos de forma direta, sem a necessidade de imputação prévia que introduz viés.

4. Resultados

O artigo apresenta dois conjuntos de resultados:

• Simulações Sintéticas: Demonstram que, à medida que a taxa de dados ausentes aumenta (até 70%), os métodos de imputação tradicionais falham drasticamente, apresentando alto viés e RMSE elevado. Já o estimador de ML duplamente robusto mantém o viés e a precisão baixos e preserva a cobertura nominal dos intervalos de confiança.
• Aplicação ao Conflito em Gaza: Os autores reestimaram a mortalidade na Faixa de Gaza (outubro de 2023 a junho de 2024).
  • Enquanto estudos anteriores estimaram cerca de 64.260 mortes, o método proposto resultou em uma estimativa de 59.441 mortes (IC 95%: 50.708–68.173).
  • Embora o número seja mais conservador, o estudo destaca que a contagem oficial do Ministério da Saúde (37.877) subestima o total real em aproximadamente 26%, evidenciando a importância de métodos robustos para estimar baixas em contextos de conflito.

5. Significância

Este trabalho é de extrema importância para a estatística aplicada em contextos humanitários e de saúde pública. Ele fornece ferramentas matematicamente rigorosas para lidar com a inevitável imperfeição dos dados em populações vulneráveis. Ao permitir que pesquisadores utilizem o poder do Aprendizado de Máquina sem perder a validade estatística e a capacidade de realizar inferência confiável, o framework preenche uma lacuna crítica entre a flexibilidade dos modelos de dados modernos e o rigor da teoria de estimativa de populações.