Coarsening-adjusted estimators for finite-population indicators

技术摘要：针对有限总体指标的粗糙化调整估计量

问题陈述
抽样调查中自报的数值型变量经常受到粗糙化（coarsening）的影响，即受访者报告的是取整或凑整后的值（例如 5、10 或 30 的倍数），而非潜在的精确底层数值。虽然统计文献提供了针对此类不完全数据的基于模型的解决方案，但官方统计和公共卫生监测通常要求在复杂抽样设计下对有限总体指标进行基于设计的推断（design-based inference）。

目前的挑战包括：

1. 推断目标不匹配： 许多现有方法侧重于超总体模型参数（superpopulation model parameters），而官方统计则需要对由特定样本和设计定义的有限总体量（如均值、分位数、流行率）进行推断。
2. 异质性影响： 粗糙化对不同泛函（functionals）的影响各异。虽然由于误差补偿，均值可能相对稳定，但分位数和基于阈值的指标（例如以每天 20 支烟为界限的重度吸烟者流行率）对偏好报告值的质量堆积（mass accumulation）高度敏感。
3. 非忽略性（Non-Ignorability）： 报告机制（粗糙化）往往取决于潜在值本身（例如，较高的消费量会导致更粗糙的报告），这违反了忽略性假设。

方法论
本文提出了一个将基于模型的修正与基于设计的推断相结合的通用框架。其核心方法是将观测到的响应视为潜在变量的一种粗糙化表现形式，并将其与报告机制进行联合建模。

1. 潜在变量表示：

   • 令 $Y$ 为潜在真实值，$G$ 为代表报告机制（例如：精确值、向 5 取整、向 10 取整）的潜在粗糙化变量。
   • 观测值 $Y^*$ 由粗糙化函数 $h(Y, G)$ 生成。
   • 该框架允许非忽略性粗糙化，即特定报告机制的概率取决于潜在值 $Y$。

2. 抽样加权伪似然（Survey-Weighted Pseudo-Likelihood）：

   • 作者构建了一个关于潜在变量和粗糙化机制的联合分布统计模型。
   • 为了处理观测数据分布的难解性，对潜在变量的支持集进行了离散化处理。
   • 构建了抽样加权伪似然，通过纳入抽样权重 ($w_i$) 来解释复杂的抽样设计。这诱导出了模型参数的伪后验分布，符合信息性抽样下的贝叶斯伪后验框架。

3. 粗糙化调整（CA）估计量：

   • 插补（Imputation）： 利用拟合的伪后验分布，针对每个抽样单位生成其潜在值的后验预测复制样本 ($\tilde{y}_i$)，该过程以观测到的粗糙化数据和辅助信息为条件。
   • 估计（Estimation）： 将标准的基于设计的估计量（如 Horvitz-Thompson 或 Hájek 估计量）应用于这些复制的潜在样本，以估计目标有限总体量 $\theta$。
   • 方差分解： 使用全方差定律将估计量的总方差分解为两个部分：
     • 插补内方差（Within-imputation variance）： 由于抽样设计引起的确定性，是在后验预测分布上进行的平均。
     • 插补间方差（Between-imputation variance）： 由插补模型（粗糙化机制）引起的确定性。
   • 这种分解能够将由粗糙化过程引起的额外不确定性显式地传播到最终的置信区间中。

主要贡献

• 框架集成： 本文引入了一个统一的框架，将用于粗糙化的潜在变量建模与基于设计的有限总体推断明确结合在一起。
• 不确定性传播： 它提供了一种正式机制，将由未观测到的潜在值引起的不确定性传播到基于设计的估计量的方差中，从而分离出设计方差和插补方差。
• 灵活性： 该方法具有通用性，允许使用不同的潜在分布（如对数正态分布、混合模型）、各种粗糙化机制以及多样化的目标指标（均值、分位数、比例）。
• 针对阈值的应用： 该方法专门解决了阈值指标（如重度吸烟者流行率）对堆积现象的敏感性问题，而传统的“朴素”估计量往往会误报此类指标。

结果与应用
该方法通过模拟研究并在 Italian PASSI（意大利卫生健康进展）监测系统数据上进行了验证。

• 模拟： 研究评估了在各种错配场景和抽样设计下的有限样本表现及稳健性，证明了该方法恢复准确估计值和有效置信区间的能力。
• PASSI 应用（吸烟）：
  • 数据： 日吸烟量，呈现出在 5 和 10 的倍数处存在强烈的堆积现象。
  • 模型： 对比了两种潜在模型：简单的对数正态分布（LN）和双成分对数正态混合模型（LNM）。LNM 对观测到的堆积分布具有更好的拟合效果。
  • 发现：
    • 重度吸烟者流行率： 朴素估计量（直接使用观测值）与 CA 估计量在重度吸烟者比例（定义为每日 $\ge 20$ 支烟）的估计上产生了不同结果。CA 估计量对潜在模型（LN vs. LNM）的选择较为敏感，凸显了建模报告机制的重要性。
    • 不确定性： 方差分解显示，流行率估计中的相当一部分总不确定性归因于粗糙化机制，而非仅仅是抽样设计。
    • 分位数与均值： 分析表明，虽然均值受影响较小，但分位数和基于阈值的比例对粗糙化过程表现出显著的敏感性。

意义与主张
论文指出，忽视自报调查数据中的报告过程可能会导致证据失真，进而影响政策决策，特别是对于依赖特定阈值或分布尾部的指标。

• 政策相关性： 通过展示粗糙化如何以异质化的方式影响不同的泛函（均值 vs. 阈值），本文认为统计部门和公共卫生部门必须超越简单的“朴素”估计量。
• 方法论必要性： 作者断言，为了在修正由粗糙化引入的偏差和不确定性的同时，保留标准调查实践中所使用的推断目标和估计量，该方法是必要的。
• 适度的范围： 本文将自己定位为一个通用的框架，而非针对所有特定数据集的万能方案。它强调，必须根据具体的指标来评估粗糙化的影响，因为偏差和不确定性的程度随泛函形式的不同而变化。

这项工作通过将修正过程显式地嵌入到适用于复杂调查数据的基于设计的框架中，扩展了以往的研究成果（如 Drechsler 和 Kiesl, 2016; Gardini 和 Mori, 2026），使其能够直接应用于官方统计生产。