Direct domain estimation via regression-tree-assisted estimators in the production of official statistics

Resumo Técnico: Estimativa Direta de Domínios via Estimadores Assistidos por Árvores de Regressão

Definição do Problema
Os Institutos Nacionais de Estatística (INEs) operam tipicamente sob uma abordagem de "peso único" (uni-weight), utilizando um único conjunto de pesos para estimar múltiplos parâmetros e subpopulações (domínios). Embora essa estratégia ofereça vantagens operacionais — como simplicidade computacional, economias de escala e consistência interna (aditividade/benchmarking) — ela nem sempre é ideal para subpopulações específicas. A eficiência dos estimadores assistidos por modelos depende do poder preditivo do modelo auxiliar para a variável de interesse dentro de um domínio específico. Um modelo único ajustado à população total frequentemente falha em capturar as relações específicas entre as variáveis auxiliares e as variáveis de estudo dentro de domínios não planejados (subpopulações não definidas pelo desenho amostral). Isso cria uma tensão entre a conveniência operacional de um sistema de pesos unificado e a necessidade de eficiência de estimativa local.

Metodologia e Estrutura
O artigo opera dentro de um framework de desenho baseado em design para estimativa direta, estendendo a família de estimadores assistidos por modelos para incluir árvores de regressão. O estudo foca na estimativa de totais ($Y_d$) para domínios não planejados ($U_d$) utilizando uma população finita $U$.

Duas estratégias distintas para a aplicação de árvores de regressão como modelos assistentes são formuladas:

1. RTU (Árvore de Regressão - Peso Único): Uma única árvore de regressão é ajustada a toda a amostra ($s$) ao nível da população. As previsões resultantes são utilizadas para derivar um único conjunto de pesos aplicável a qualquer domínio.
2. RTD (Árvore de Regressão - Específica do Domínio): Uma árvore de regressão separada é ajustada especificamente aos dados dentro de cada domínio ($s_d$).

O artigo demonstra que ambos os estimadores podem ser expressos como somas ponderadas de observações amostrais ($\sum w^*_i y_i$), onde os pesos $w^*_i$ são independentes da variável de estudo $y$. Isso preserva a propriedade de "peso único" e garante a aditividade (benchmarking) em relação ao total da população.

Principais Contribuições Teóricas

• Formulação de RTD: O artigo formula o estimador de árvore específico do domínio, mostrando que ele pode ser escrito como uma combinação linear de observações amostrais com pesos que estimam o tamanho da população do domínio sem erro.
• Caracterização de RTU: Caracteriza o estimador de árvore ao nível da população e estende o argumento de Estevao e Särndal (1999) para modelos baseados em árvores. Os autores provam que, quando um modelo é ajustado ao nível da população, o estimador de domínio resultante tende a comportar-se assintoticamente como o estimador de Horvitz-Thompson (HT) dentro desses domínios. Isso ocorre porque o ajuste global é "puxado" em direção ao modelo nulo para unidades fora do domínio (onde a variável estendida é zero), falhando em reduzir a variância residual dentro do domínio.
• Mecanismo de Redução de Variância: Inversamente, o modelo específico do domínio (RTD) alcança reduções substanciais de variância proporcionais ao poder preditivo dentro do domínio ($R^2_d$). A variância do estimador RTD é mostrada como sendo aproximadamente $(1 - R^2_d)$ vezes a variância do estimador HT.
• Consistência de Desenho: A Proposição 1 estabelece a consistência de desenho do estimador assistido por árvore sob condições assintóticas padrão, desde que o tamanho da árvore seja limitado ou cresça lentamente em relação ao tamanho da amostra para controlar o efeito Kish (variabilidade dos pesos).

Resultados Empíricos
Um estudo de simulação utilizando microdados da Encuesta Continua Hogar (ECH) do Uruguai ilustra o comportamento desses estimadores:

• Nível da População: O estimador assistido por árvore (RT) reduz significativamente a variância em comparação com o estimador HT para a variável modelada (status de emprego), com efeitos de desenho (deff) variando entre 0,55 e 0,73. No entanto, para uma variável não modelada (desemprego), a melhoria é negligenciável (deff $\approx$ 1), destacando uma limitação da abordagem de peso único quando o modelo é adaptado a uma variável específica. O estimador RT superou a pós-estratificação (PS) tradicional ao evitar o viés de células vazias e manter a coerência.
• Nível de Domínio: Ao estimar totais por departamento, o estimador RTU não mostrou ganhos de eficiência sobre o HT (deff $\approx$ 1). Em contrapartida, o estimador RTD alcançou reduções substanciais de variância (deff $\approx$ 0,3) na maioria dos departamentos, confirmando a previsão teórica de que o ajuste de modelo local é necessário para a precisão ao nível do domínio.

Significância e Limitações
O artigo argumenta que o estimador RTD oferece uma rota atraente para melhorar a precisão em domínios não planejados, mantendo os benefícios operacionais de um sistema de pesos unificado. Ele permite que os Institutos Nacionais de Estatística produzam estimativas de domínio mais precisas sem recorrer a métodos indiretos de estimação de pequenas áreas (SAE), desde que os tamanhos amostrais dos domínios sejam suficientemente grandes.

Os autores explicitamente apontam algumas limitações:

1. Especificidade da Variável: As melhorias concentram-se na variável utilizada para construir o modelo; estimativas para outras variáveis podem não se beneficiar.
2. Tamanho da Árvore: O crescimento excessivo das árvores aumenta o efeito Kish, potencialmente inflando a variância.
3. Requisitos de Tamanho de Amostra: O método requer tamanhos de amostra esperados para o domínio ($E(n_d)$) suficientemente grandes para garantir um ajuste estável dentro do domínio. Em domínios muito pequenos, a estimação indireta baseada em modelos continua sendo necessária.
4. Compromisso (Trade-off): Ganhar precisão local via RTD tem como custo não possuir o estimador "ótimo" ao nível da população, embora esse custo seja considerado pequeno em pesquisas de grande escala.

O artigo conclui sugerindo que a escolha entre RTU, RTD e SAE indireta deve ser guiada pelo tamanho de amostra esperado do domínio, sendo o RTD a estratégia preferencial para domínios com dados suficientes onde a estimativa direta é viável.