National Versus Domain: Coverage Properties of HB Credible Intervals Under Survey Redesign

Sumário Técnico: Cobertura Nacional Versus de Domínio de Intervalos de Credibilidade HB sob Redesenho de Pesquisa

Definição do Problema
Este artigo serve como um complemento a Tam (2026), abordando três questões não resolvidas relativas às propriedades de cobertura frequentista de intervalos de credibilidade Bayesianos Hierárquicos (HB) no contexto do redesenho da pesquisa de força de trabalho. Embora Tam (2026) tenha demonstrado que a modelagem HB poderia sustentar uma redução de amostra de 85% mantendo uma cobertura nacional quase nominal, ele não investigou plenamente: (1) a robustez destes resultados em cenários de teste de estresse (auxiliares fracos, alta heterogeneidade e eventos raros); (2) o comportamento da cobertura ao nível de domínio individual, em vez de como uma média agregada; e (3) o desempenho comparativo do HB contra um benchmark de estimador direto clássico, particularmente em cenários onde os desenhos clássicos podem falhar estruturalmente.

Metodologia
O estudo emprega uma simulação de Monte Carlo (MC) estendida com $B=200$ replicações, retendo uma fração de amostragem de $f=0.15$ (uma redução de 85% em relação ao desenho completo). A simulação utiliza uma população sintética de $N=2.000.000$ indivíduos distribuídos em 140 estratos e 13 domínios de estimação, calibrados aos marginais da Pesquisa de Força de Trabalho SA4 da Austrália.

Quatro cenários são testados:

• Cenário A (Baseline): Condições padrão.
• Cenário B (Auxiliares Fracos): Os coeficientes de regressão das covariáveis foram reduzidos à metade para testar a robustez do modelo.
• Cenário C (Alta Heterogeneidade): Os desvios padrão dos efeitos aleatórios de domínio foram duplicados.
• Cenário D (Evento Raro): O desemprego nacional foi definido em 0,50%. Isso força o algoritmo de alocação de Bethel clássico a atribuir zero amostras a cinco estratos para atingir as metas de coeficiente de variação dos domínios, criando um modo de falha estrutural de "estrato não amostrado" para os estimadores clássicos.

O modelo HB utiliza uma especificação binomial logit-normal para variáveis binárias (Emprego, Desemprego) e uma especificação Gaussiana de Fay–Herriot para variáveis contínuas (Horas Trabalhadas). Um estimador direto estratificado clássico com correção de população finita serve como benchmark, avaliado no tamanho de amostra de Bethel completo para cada cenário. O estudo também testa dois potenciais remédios para a subcobertura ao nível de domínio: análise de sensibilidade da priori (enfraquecer a priori sobre a variância entre estratos) e a correção de Erro Quadrático Médio (MSE) de Prasad–Rao (PR).

Principais Resultados

• Cobertura ao Nível Nacional: Os intervalos de credibilidade HB alcançam cobertura quase nominal (95%) em todos os quatro cenários e em todas as três variáveis. A cobertura de Emprego varia de 93–96%, Desemprego de 87–97%, e Horas Trabalhadas de 99,5–100%. No Cenário D, o estimador direto clássico colapsa, alcançando 0% de cobertura para Emprego e Horas Trabalhadas devido ao viés sistemático introduzido pelos cinco estratos não amostrados. Em contraste, o estimador HB mantém 96–100% de cobertura nacional utilizando apenas ~15% do custo da amostra clássica (49.859 vs. 332.374 observações).
• Cobertura ao Nível de Domínio: O desempenho é altamente variável por tipo de variável e cenário.
  • Horas Trabalhadas (Contínua): Alcança cobertura de domínio quase nominal (94–98% de média) em todos os cenários.
  • Emprego e Desemprego (Binárias): A cobertura está significativamente abaixo do nominal em cenários com baixa heterogeneidade entre domínios. Um padrão bimodal distinto emerge: domínios com valores reais próximos à média nacional alcançam ~99% de cobertura, enquanto aqueles que se desviam da média alcançam quase 0% de cobertura.
  • Paradoxo do Cenário D: Apesar de ser o cenário mais extremo, o Cenário D produz a melhor cobertura de domínio para variáveis binárias. Isso é atribuído à maior heterogeneidade genuína entre domínios no cenário de evento raro, o que reduz o caráter agressivo do encolhimento (shrinkage) em direção à média nacional.
• Tentativas de Remediação:
  • Sensibilidade da Priori: O enfraquecimento da priori sobre a variância entre estratos ($\sigma^2_v$) teve efeito negligenciável. Os dados em configurações quase homogêneas sinalizam fortemente $\sigma^2_v \approx 0$, sobrepondo-se à priori e mantendo o encolhimento agressivo.
  • Correção de Prasad–Rao: A correção de MSE de PR, que alarga os intervalos para contabilizar a incerteza do componente de variância, não conseguiu restaurar a cobertura de forma confiável. Ela melhorou a cobertura em alguns casos específicos (ex: Emprego nos Cenários A e C), mas a piorou em outros (ex: Desemprego e Horas Trabalhadas). O artigo conclui que isso ocorre porque a falha é impulsionada pelo viés (centros de intervalo deslocados), não pela subestimação da variância; alargar um intervalo enviesado não restaura a cobertura.

Significância e Alegações
O artigo alega que, para Escritórios Nacionais de Estatística (NSOs) que priorizam agregados nacionais, o redesenho de pesquisa baseado em HB oferece uma solução robusta e de custo-efetividade. A redução de 85% na amostra é empiricamente validada para preservar a cobertura frequentista ao nível nacional mesmo sob condições de estresse onde os desenhos clássicos falham estruturalmente (Cenário D).

No entanto, o artigo reconhece modestamente uma limitação crítica: a inferência HB para variáveis binárias ao nível de domínio é pouco confiável quando a variação entre domínios é baixa (resultados quase homogêneos). Isto é identificado como uma limitação baseada em dados inerente aos estimadores de empréstimo de força (borrowing-strength), e não uma deficiência metodológica do HB em si. O artigo afirma explicitamente que nem o ajuste de priori nem a correção de PR podem remediar este viés. Consequentemente, o compromisso (trade-off) é apresentado como operacionalmente aceitável para relatórios nacionais, mas requer cautela para a inferência de nível de domínio, sugerindo que profissionais que necessitam de estimativas de domínio confiáveis sob estas condições considerem abordagens alternativas, como estimativas de ponto de Bayes restritas ou níveis de credibilidade calibrados pela cobertura.