Effects of interviewers on response to income and wealth items

Este estudo analisa dados da onda 6 do SHARE e conclui que as expectativas dos entrevistadores sobre a disposição dos respondentes em relatar renda estão associadas à taxa de resposta a itens financeiros sensíveis, sugerindo que essas expectativas são úteis para modelar o não-resposta e orientar o treinamento de entrevistadores, embora a média de modelos não tenha demonstrado vantagens claras sobre abordagens mais simples.

O essencial

Imagine que você está participando de uma pesquisa importante sobre a saúde e as finanças de pessoas mais velhas na Europa. O pesquisador quer saber quanto dinheiro você tem na poupança, qual o valor da sua casa e quanto você recebe de aposentadoria. Mas, como essas perguntas são delicadas, muitas pessoas preferem não responder. Isso é chamado de "não resposta".

Este estudo, feito por Moslem Rashidi, investiga um mistério interessante: a atitude do entrevistador faz diferença?

Aqui está a explicação simples, usando algumas analogias:

1. O Cenário: O "Espelho" do Entrevistador

Pense nos entrevistadores como espelhos. Antes de irem para a rua, eles são perguntados: "Quanto você acha que as pessoas vão responder às perguntas sobre dinheiro?".

• Alguns espelhos são otimistas: "Ah, acho que 80% das pessoas vão falar tudo!"
• Outros são céticos: "Não sei não, acho que a maioria vai se recusar."

O estudo descobriu que esses espelhos não refletem apenas o que eles pensam, mas também influenciam o que acontece. Quando um entrevistador vai para a entrevista acreditando que as pessoas vão cooperar (o "espelho otimista"), as pessoas realmente tendem a abrir a carteira e responder mais. Quando o entrevistador está pessimista, as pessoas tendem a se fechar mais.

2. O Problema dos Dados Faltantes (O Quebra-Cabeça Incompleto)

Imagine que você tem um quebra-cabeça gigante com 42.000 peças (as pessoas entrevistadas). Mas, para as perguntas de dinheiro, muitas peças estão faltando.

• O Problema: Se você tentar montar o quebra-cabeça apenas com as peças que tem (ignorando as que faltam), sua imagem final pode ficar distorcida ou incompleta.
• A Solução do Estudo: O autor testou três maneiras diferentes de tentar "adivinhar" ou lidar com as peças que faltam para ver qual método funciona melhor:
  1. Jogar fora o que falta (Análise de Caso Completo): Você ignora todas as pessoas que não responderam tudo. É simples, mas você perde muita informação (como jogar fora metade do quebra-cabeça).
  2. Preencher os buracos (Imputação Múltipla): Você usa um computador para criar "peças de reposição" baseadas em padrões. É como se você tivesse um robô pintando as peças faltantes. O problema é que o robô pode errar, e essa incerteza precisa ser contada.
  3. A "Caixa de Ferramentas" Inteligente (Média de Modelos): Em vez de escolher apenas um método, o autor criou uma caixa de ferramentas que testa todas as possibilidades e faz uma média ponderada, escolhendo o melhor caminho para cada situação.

3. O Resultado Principal: A Confiança é Contagiosa

O estudo analisou dados de 12 países europeus e chegou a uma conclusão clara:

• O efeito do otimismo: Entrevistadores que esperavam uma boa taxa de resposta conseguiram, de fato, taxas de resposta 14% a 26% maiores para perguntas de dinheiro e bens.
• Por que isso acontece? Imagine que o entrevistador é um anfitrião. Se o anfitrião entra na sala com um sorriso e a certeza de que o convidado vai se sentir à vontade, o convidado relaxa. Se o anfitrião entra com cara de poucos amigos, esperando que o convidado seja chato, o convidado se fecha. A expectativa do entrevistador cria um clima que facilita (ou dificulta) a conversa.

4. O Que Aprendemos? (A Lição de Casa)

O estudo mostra que treinar os entrevistadores é tão importante quanto escolher as perguntas certas.

• Não basta apenas ensinar a técnica de entrevista. É preciso ensinar a mentalidade.
• Se você treinar seus entrevistadores para serem otimistas e acreditarem que as pessoas vão cooperar, você terá dados melhores e mais completos.
• Quanto aos métodos de preencher dados faltantes, o estudo descobriu que, embora a "caixa de ferramentas" inteligente (média de modelos) seja teoricamente sofisticada, na prática, métodos mais simples (como preencher os buracos com cuidado) funcionaram quase tão bem, sem tanta complicação.

Resumo em uma frase:
A confiança e a expectativa positiva do entrevistador são como um "superpoder" que faz as pessoas se sentirem mais confortáveis para compartilhar segredos financeiros, e treinar essa atitude é a chave para melhorar a qualidade das pesquisas.

Resumo técnico

Título: Efeitos dos entrevistadores na resposta a itens de renda e riqueza

Autor: Moslem Rashidi (Departamento de Economia, Universidade de Bolonha)
Data: 14 de abril de 2026 (arXiv:2604.11760v1)

---

1. O Problema

As pesquisas de amostragem frequentemente sofrem com erros de não amostragem, sendo a não resposta a itens (item nonresponse) uma fonte persistente de erro, especialmente em questões financeiras sensíveis como renda e patrimônio. Em pesquisas administradas por entrevistadores, o papel do entrevistador é crucial na determinação das taxas de resposta.

Embora estudos anteriores tenham focado em características sociodemográficas dos entrevistadores (idade, gênero, educação), há evidências empíricas de que características não demográficas, como expectativas, atitudes e traços de personalidade, também influenciam significativamente a não resposta. O artigo investiga especificamente se as expectativas dos entrevistadores sobre a disposição dos respondentes em relatar sua renda estão associadas às respostas reais a itens financeiros.

2. Metodologia

Dados

• Fonte: O estudo utiliza dados da 6ª onda (2015) da Survey of Health, Ageing and Retirement in Europe (SHARE), cobrindo 12 países.
• Amostra: 41.934 respondentes elegíveis.
• Variáveis de Interesse: Quatro itens financeiros com altas taxas de não resposta:
  1. Renda total do domicílio.
  2. Pensões (velhice, aposentadoria precoce, sobrevivência).
  3. Contas bancárias.
  4. Valor da residência principal.
• Dados dos Entrevistadores: Combinação da Interviewer Survey (IWS) e do banco de dados de roster de entrevistadores (IWR), incluindo variáveis como expectativas de taxa de resposta, saúde, carga de trabalho e características demográficas.

Abordagem Estatística para Dados Faltantes

O artigo compara três abordagens distintas para lidar com valores faltantes nas covariáveis (tanto dos respondentes quanto dos entrevistadores):

1. Análise de Casos Completos (CCA - Complete-Case Analysis):

   • Elimina todas as observações com valores faltantes.
   • Modelo: Regressão Logística padrão.
   • Limitação: Perda significativa de dados (redução da amostra de ~41.900 para ~22.600 observações), levando a perda de precisão.

2. Abordagem de Preenchimento (FI - Fill-in / Multiple Imputation):

   • Substitui valores faltantes por estimativas usando Imputação Múltipla (MI).
   • Utiliza a especificação condicional totalmente (FCS) com dois Gibbs samplers sequenciais (um para variáveis do respondente, outro para o entrevistador).
   • Realiza-se 100 imputações para garantir robustez dada a alta fração de informação faltante (FMI ≈ 0,85).
   • Vantagem: Utiliza toda a informação disponível.
   • Desvantagem: A variância entre as imputações pode aumentar o erro padrão total.

3. Indicador Generalizado de Falta de Dados com Média de Modelos (GMI-MA):

   • Baseado no framework proposto por Dardanoni et al. (2011, 2012, 2015).
   • Cria um "espaço de modelos" expandido que inclui o modelo completo (FI), o modelo restrito (CCA) e todos os submodelos intermediários.
   • Aplica Média de Modelos (Model Averaging) ponderada por critérios de informação:
     • BIC (Bayesian Information Criterion): Para pesos Bayesianos (BMA).
     • AIC (Akaike Information Criterion): Para aproximação baseada em verossimilhança.
   • O estimador final é uma média ponderada das estimativas de todos os modelos possíveis no espaço.

3. Contribuições Principais

• Extensão Temporal e Geográfica: Estende a análise de expectativas de entrevistadores (anteriormente estudada por Friedel, 2020, na 5ª onda) para a 6ª onda do SHARE, cobrindo 12 países.
• Inovação Metodológica: Aplica o framework de Indicador Generalizado de Falta de Dados (GMI) e Média de Modelos (MA) em um contexto de dados hierárquicos (respondentes aninhados em entrevistadores) com múltiplas fontes de dados faltantes (IWS e CAPI).
• Análise de Expectativas: Foca especificamente na variável de "expectativa de taxa de resposta" do entrevistador como preditor, tratando-a como uma variável binária (acima ou abaixo da mediana nacional).

4. Resultados

• Efeito das Expectativas:

  • Há uma associação positiva e robusta entre as expectativas dos entrevistadores e as taxas de resposta reais.
  • Respondentes entrevistados por profissionais que esperam altas taxas de resposta (acima da mediana do país) têm maior probabilidade de fornecer informações financeiras.
  • O efeito é estatisticamente significativo na maioria das especificações e países.
  • Magnitude: Entrevistadores com expectativas mais otimistas estão associados a reduções na não resposta de até 14% para questões de renda e até 26% para questões de ativos em alguns países.

• Comparação de Métodos:

  • Precisão: A abordagem de Imputação Múltipla (FI) geralmente produz erros padrão agrupados maiores que a CCA devido à incerteza introduzida pela imputação (variância entre imputações), embora utilize mais dados.
  • Média de Modelos (MA): A média de modelos baseada em BIC e AIC não trouxe ganhos claros de desempenho preditivo ou de precisão em relação às abordagens mais simples (CCA ou FI).
    • As estimativas BMA_AIC tenderam a ser muito próximas da CCA.
    • As estimativas BMA_BIC tenderam a ser muito próximas da FI.
  • Isso sugere que, neste contexto específico, a complexidade computacional da média de modelos não se traduziu em benefícios substanciais sobre métodos mais diretos.

• Heterogeneidade: O efeito das expectativas varia entre países, mas a direção geral (positiva) é consistente.

5. Significância e Conclusões

• Implicações para Desenho de Pesquisas: Os resultados indicam que as expectativas dos entrevistadores contêm informações valiosas para modelar a não resposta a itens sensíveis. Isso desafia a suposição de que apenas características demográficas importam.
• Treinamento e Seleção: O estudo sugere que estratégias de seleção e treinamento de entrevistadores devem focar não apenas em habilidades técnicas, mas também em cultivar expectativas otimistas e uma atitude positiva em relação à disposição dos respondentes. Isso pode ser uma intervenção de baixo custo para reduzir a não resposta e melhorar a qualidade dos dados financeiros.
• Limitações: O estudo reconhece que o uso de modelos logit padrão pode subestimar os erros padrão devido à estrutura hierárquica dos dados (respondentes aninhados em entrevistadores) e que a média de modelos computacionalmente intensiva (via MCMC) foi limitada pelo tamanho do conjunto de dados imputados.

Em suma, o artigo demonstra que a psicologia e as expectativas do entrevistador são determinantes críticos para a qualidade dos dados em pesquisas sobre envelhecimento e finanças, e que abordagens estatísticas robustas para dados faltantes são necessárias, embora a média de modelos complexa possa não ser sempre superior a métodos mais simples neste contexto.