世界银行-压力测试调查到调查推断_了解贫困预测何时可能失败（英）-2025.8_46页_997kb

报告：联村调查插补法的评估与局限性

准确且及时的贫困测量是开发政策的核心环节，而高质量的住户调查数据往往匮乏，导致贫困指标的评估面临挑战。联村调查插补法（Survey-to-Survey Imputation, S2S）通过现有调查数据，借助线性模型预测目标时点的福利分布，成为一种实用工具，尤其适用于传统数据收集方法受限或不可行的情况，如危机时期或贫困集中的国家。

本报告指出，S2S方法的核心假设包括参数稳定性、误差分布正常性以及线性关系的持久性，这些假设在现实中常被违反，可能导致预测偏差。研究表明，单纯依靠线性回归预测往往无法准确捕获贫困分布，需通过多重插补技术（Multiple Imputation）生成完整的福利数据，并结合代理指标或其他辅助数据增强结果的可靠性。

评估方法时需关注以下关键因素：

1. 数据一致性：源调查（Source）和目标调查（Target）中变量的定义、测量方式及实施流程需高度一致，否则模型可能无法准确捕获人口特征与福利的关系。

2. 样本偏差调整：当目标样本存在偏差时，重标法（Re-weighting）或变量标准化（Standardization）被实践者采用，但这些方法在源目标数据分布差异较大时效果有限。

3. 时间因素的影响：当插补涉及不同时期的数据时，经济结构变化、政策调整或外部冲击（如疫情）可能显著改变参数稳定性，导致预测失准。

4. 模型误差处理：若残差分布偏离正态，绘制自残差的样本可降低误差影响，但对于非线性模型（如随机森林），其分类表现优于连续性预测，但无法捕捉经济结构变革带来的偏误。

为改善方法，建议：

1. 实践者应深入了解数据环境与模型的基本假设是否满足，如变量是否无偏、误差结构是否稳定。
2. 为提高时间序列预测精度，需最大化利用辅助信息，如行政数据或宏观经济指标，并进行交叉时期验证。
3. 增加样本对样本之间的差异；首选包含时间动态变化的模型。

总体而言，S2S方法若运用得当，能够为无直接调查数据的地区提供可靠的贫困指标；若错误理解其本质及使用条件，会带来不可控的偏误。因此，方法使用者需透明地报告技术细节及方法局限性，并结合实际情况谨慎决策。