世界银行-使用重新加权和贫困预测模型校正电话调查贫困估计中的抽样和无响应偏差（英）-2023.12-47页._1mb

报告总结

研究背景

世界银行为监测COVID-19疫情期间的贫困变化，开展高频率电话调查，但电话调查存在抽样偏差和非响应偏差问题。为此，引入了“快速贫困监测工具（SWIFT）”和多种权重调整方法，以校正这些偏差。

主要方法

1. SWIFT方法：
   • 使用机器学习模型，通过简单的问卷问题预测贫困率和不平等指标。
   • 核心假设：被调查者收入与贫困相关变量存在稳定关系。
2. 权重调整方法：
   • 分为概率得分加权（PSW）方法：
     • 包括Lee算法和逆概率得分法。
     • 目标是平衡被调查样本与参考样本的特征分布。
   • 非PSW方法：
     • 包括最大熵法、切片法和事后分层法。
     • 通过匹配参考样本的总体现状来调整权重。

实验结果

• 单独使用权重调整方法无法完全消除贫困估计的偏差。
• 结合SWIFT方法与权重调整技术后，贫困估计的偏差显著减少，但在不同实验中贡献度不同：
  • 在卢旺达和乌干达的实验中，SWIFT方法是初步校正的主要贡献者。
  • 在圣卢西亚和埃塞俄比亚的实验中，权重调整是主要校正手段。
• SWIFT方法在贫困预测中能有效减少抽样偏差，但需确保模型变量随环境变化而调整。

结论

• 重新加权和SWIFT模型结合使用可有效校正电话调查中的抽样和非响应偏差。
• SWIFT方法需结合快变变量以增强模型稳定性。
• 结果显示，权重调整方法的效果受地域和环境因素影响，必须综合应用。