当汇总误导时：用汇总数据进行单位级小面积贫困估计的偏差

总结

本文探讨了仅使用汇总数据作为协变量的户层面模型估算的小区域贫困估计为何存在系统性偏差。研究发现，这种偏差源于模型无法捕捉福利方面完整的户间差异，因为它们完全依赖区域层面的协变量，导致模型对福利分布的近似效果不佳。

核心观点：

• 单元-情境模型在小区域贫困估算中存在偏差，主要原因是其无法充分捕捉区域层面的福利全部方差。
• 尽管单元-情境模型可能通过经验最佳预测方法实现对均值转换福利（即模型的因变量）的无偏估计，但它们系统性地无法复制区域内的真实福利分布，从而导致贫困估计和福利估计偏差。
• 模型模拟的福利总经验变异与每个地区真实福利变异的匹配程度与贫困估计中的偏差程度直接相关。当此比率接近1的地区表现出最小的偏差，而存在明显不匹配的地区则表现出更大的偏差。

关键数据：

• 单元-情境模型的解释力（R²）通常在0.17左右，远低于传统的单元级模型（0.13至0.25）。
• 模型模拟的福利总经验方差的区域层面经验方差极小，从0.813到0.844，与真实值相比存在较大差异。

研究结论：

• 单元-情境模型在缺乏或过时的家庭层面人口普查数据的情况下提供了实际优势，但其捕捉福利分布的固有局限性应予以谨慎考虑。
• 使用模拟与现实世界数据时，如著名的Fay Herriot模型等区域层面模型将优于单元-情境模型。
• 未来研究可探索改善单元情境模型中经验方差近似的方法，或开发诊断工具以识别这些模型最可能产生可靠估计的领域。