Usando as respostas previsíveis da abordagem list-experiments como variáveis explicativas em modelos de regressão

Ano: 2015 | Volume: 9 | Número: 1

Autores: Kosuke Imai, Bethany Park, Kenneth Greene

Palavras-chave: Lista de Experimento; Compra de Votos; México 2012.

Resumo Português:

O modelo de lista de experimento (List Experiment), também conhecido como o modelo de contagem de itens (the Item Count Tecnique), vem se tornando bastante popular como uma metodologia para se obter respostas confiáveis para questões complexas e sensitivas. Recentemente, técnicas de múltiplas variáveis têm sido desenvolvidas para prever respostas, não observadas, para questões complexas usando a abordagem características dos entrevistados (respondent characteristics). Não obstante, não existe nenhum método para o uso dessas respostas, como uma variável explicativa em outro modelo de regressão. Tentamos resolver esta lacuna primeiro, melhorando a performance de um naive two-step estimator. Apesar de sua simplicidade, este aperfeiçoado método de duas etapas pode apenas ser aplicado em modelos lineares e é ineficiente estatisticamente. Nós, portanto, desenvolvemos um método para estimativas de máxima verossimilhança, de completa eficiência e aplicável a uma gama muito grande de modelos. Usamos um estudo simulado para avaliar o desempenho empírico dos métodos propostos. Nós também os aplicamos ao México 2012 Estudo de Panel para analisar se a compra de votos está associada com o aumento do comparecimento eleitoral e o nível de aprovação do candidato. Os métodos propostos são implementados in open-source software.

Resumo Inglês:

The list experiment, also known as the item count technique, is becoming increasingly popular as a survey methodology for eliciting truthful responses to sensitive questions. Recently, multivariate regression techniques have been developed to predict the unobserved response to sensitive questions using respondent characteristics. Nevertheless, no method exists for using this predicted response as an explanatory variable in another regression model. We address this gap by first improving the performance of a naive two-step estimator. Despite its simplicity, this improved two-step estimator can only be applied to linear models and is statistically inefficient. We therefore develop a maximum likelihood estimator that is fully efficient and applicable to a wide range of models. We use a simulation study to evaluate the empirical performance of the proposed methods. We also apply them to the Mexico 2012 Panel Study and examine whether vote-buying is associated with increased turnout and candidate approval. The proposed methods are implemented in open-source software.