Dynamic Mini Max Design and Sequential HB Inference for Repeated Surveys

Resumo Técnico: Design Dinâmico Mini–Max e Inferência HB Sequencial para Pesquisas Repetidas

Definição do Problema
Os Escritórios Nacionais de Estatística (NSOs) que realizam pesquisas repetidas enfrentam um desafio duplo: produzir estimativas confiáveis de níveis populacionais em cada onda e estimar com precisão os movimentos (mudanças) entre ondas sucessivas. Enquanto os desenhos transversais focam em níveis, as pesquisas repetidas exigem precisão simultânea tanto para níveis quanto para movimentos. A precisão das estimativas de movimento depende não apenas do tamanho da amostra, mas também do grau de sobreposição amostral entre as ondas. A literatura existente frequentemente trata esses problemas separadamente ou baseia-se em alocação estática e estimação retrospectiva. Especificamente, os designs de rotação clássicos (ex.: Patterson, 1950; Rao e Graham, 1964) otimizam a sobreposição para um tamanho de amostra fixo sem incorporar a precisão baseada em modelos, enquanto os métodos de estimação composta não abordam o design prospectivo. Além disso, os intervalos de confiança clássicos para movimentos tipicamente consideram apenas a variância de amostragem, ignorando o componente de variância do modelo decorrente da dinâmica temporal, o que pode levar à subcobertura quando os parâmetros populacionais evoluem estocasticamente.

Metodologia
O artigo propõe um framework de Mini-Max Dinâmico (DMM) que integra um Design Dinâmico Mini-Max com uma Atualização Bayesiana Hierárquica Sequencial (SHBU). Este framework estende a abordagem estática Mini-Max (Tam, 2026a) para um cenário de pesquisa repetida utilizando um modelo de espaço de estados Bayesiano Hierárquico (HB) de três componentes ao nível do estrato:

1. Modelo de Amostragem: Considera designs de amostragem complexos (agrupamento) por meio de tamanhos de amostra efetivos. Utiliza uma verossimilhança Binomial para variáveis binárias (na escala logit) e um modelo normal de Fay–Herriot para variáveis contínuas.
2. Modelo de Ligação: Empresta força entre estratos dentro de uma onda usando covariáveis auxiliares e efeitos aleatórios.
3. Modelo de Propagação: Um processo AR(1) que descreve a dinâmica temporal, servindo como uma priori informativa para a onda atual com base no estado da onda anterior.

O Componente de Design do DMM
A fase de design otimiza conjuntamente o tamanho da amostra ($n_{h,t}$) e o número de unidades sobrepostas ($m_{h,t}$) para cada estrato $h$ na onda $t$. O objetivo é minimizar o custo total de trabalho de campo sujeito a:

• Restrições de precisão simultâneas para níveis (Coeficiente de Variação, CV) e movimentos (Erro Padrão, SE).
• Limites de ônus do respondente (fração máxima de sobreposição $\rho_{max}$).
• Um orçamento total de trabalho de campo.

Crucialmente, a restrição de SE de movimento é decomposta em um componente de variância de amostragem (dependente de variáveis de design) e um componente de variância do modelo (dependente dos parâmetros do AR(1) e do modelo de ligação, estimados de ondas anteriores). A otimização trata $(n_{h,t}, m_{h,t})$ como variáveis de decisão conjuntas, ao contrário dos métodos clássicos onde o tamanho da amostra é frequentemente fixo.

O Componente SHBU
A Atualização Bayesiana Hierárquica Sequencial (SHBU) propaga a incerteza posterior da onda $t-1$ para a onda $t$.

• Mecanismo: Em vez de executar cadeias MCMC independentes para cada onda, a SHBU utiliza as amostras da posterior da onda $t-1$ para condicionar a priori da onda $t$. Especificamente, para cada amostra $b$ da posterior da onda $t-1$, os estados dos estratos são tratados como valores de condicionamento fixos para a priori AR(1) na onda $t$.
• Estimação: O framework produz estimativas conjuntas coerentes para níveis e movimentos. O estimador de movimento é definido como a diferença entre as amostras pareadas da posterior ($\hat{\theta}^{(b)}_{d,t} - \hat{\theta}^{(b)}_{d,t-1}$), preservando a covariância posterior induzida pela sobreposição amostral e dependência temporal.
• Intervalos: O artigo define Intervalos Bayes Calibrados (CBIs) para ambos os níveis e movimentos. Esses intervalos incorporam explicitamente tanto a variância de amostragem (do design) quanto a variância do modelo (da propagação HB), garantindo cobertura válida em um cenário onde a população evolui ao longo do tempo.

Principais Contribuições

1. Otimização Conjunta: O artigo introduz um framework que otimiza simultaneamente o tamanho da amostra e a sobreposição para atender a metas de precisão tanto para níveis quanto para movimentos, um problema distinto da alocação transversal estática.
2. Inferência Coerente: Fornece um framework inferencial unificado onde as incertezas de nível e movimento são quantificadas conjuntamente. O CBI de movimento considera corretamente o componente de variância do modelo ($\hat{V}_{mod}$), que os intervalos de design clássicos ignoram.
3. Atualização Sequencial: A SHBU permite a atualização sequencial automática sem a necessidade de encadeamento de estimadores compostos ad hoc ou truncamento de dados históricos, pois todo o histórico da posterior está codificado na priori AR(1).
4. Estimação de Pequenas Áreas: Ao alavancar o modelo de ligação HB, o framework possibilita estimativas confiáveis para pequenos domínios (estratos esparsos) que exigiriam tamanhos de amostra proibitivamente grandes sob uma abordagem puramente de design.

Resultados
O framework foi avaliado usando uma simulação de quatro ondas baseada em microdados do Censo Australiano de 2021 (onda 1) e dados simulados para as ondas 2–4, calibrados para a dinâmica histórica do Labor Force Survey da Australian Bureau of Statistics.

• Eficiência de Custo: Partindo do mesmo design de alocação proporcional de 5% ($n_A = 42.018$) usado em um design clássico, o DMM reduziu o tamanho de amostra necessário para $n^* = 40.251$ (uma redução de 4,2%) enquanto atendia a todas as restrições de precisão. Isso resultou em uma economia de custo de trabalho de campo de aproximadamente 6,3%.
• Cobertura de Nível: Ambos os designs alcançaram cobertura de nível e exatidão de ponto comparáveis (Razão de Erro Relativo Absoluto Máximo entre 0,844 e 1,263).
• Cobertura de Movimento: Uma divergência significativa foi observada. O DMM alcançou 100% de cobertura de movimento em todas as 27 células de variáveis-domínio. Em contraste, o design clássico alcançou apenas 82%–96% de cobertura (87,5%–95,0% nacionalmente). Os intervalos clássicos apresentaram subcobertura porque falharam em considerar o componente de variância do modelo inerente à evolução estocástica da população.
• Sensibilidade: Os resultados indicam que a validade da inferência de nível do DMM é sensível à calibração correta do coeficiente de propagação AR(1); a má especificação pode degradar a cobertura.

Significância
O artigo afirma que o framework DMM oferece uma abordagem superior para pesquisas repetidas ao abordar as limitações do design estático e da inferência clássica em um ambiente dinâmico. Sua principal significância reside em fornecer uma quantificação conjunta coerente de incerteza para níveis e movimentos, garantindo que os intervalos de confiança para movimentos sejam válidos mesmo quando os parâmetros populacionais evoluem estocasticamente. Ao otimizar conjuntamente as variáveis de design e utilizar atualização Bayesiana sequencial, o framework alcança economias de custo e mantém padrões rigorosos de precisão sem a intratabilidade operacional de estender cadeias de estimadores compostos por muitas ondas. O artigo conclui que, embora o framework dependa da premissa de um processo AR(1) estacionário, a disponibilidade de dados históricos permite a calibração empírica e a seleção de modelos para mitigar riscos de má especificação.