量化插补人口统计差异估计的不确定性：双重 Bootstrap

衡量不同种族或族裔群体之间结果的平均差异是公平性评估的关键第一步，但研究人员通常无法获取个人种族和族裔数据以进行计算。一种常见的解决方案是使用代理变量插补缺失的种族或族裔标签，然后利用这些插补结果来估计差异。传统的标准误错误地表征了所得估计的不确定性，因为它们将插补模型视为给定且固定的，而不是将其视为一个必须带有不确定性进行估计的未知对象。我们提出了一种 dual-bootstrap 方法，该方法明确考虑了测量不确定性，从而能够进行更准确的统计推断，我们通过模拟验证了这一点。此外，我们将我们的方法适配于常用的贝叶斯改进姓氏地理编码（BISG）插补算法，由于底层的 Census Bureau 数据不可用，直接 bootstrapping 在该算法中是不可行的。在模拟中，我们发现测量不确定性对于 BISG 通常不显著，除非在特定情况下；偏差而非方差可能是误差的主要来源。我们将我们的方法应用于量化使用 American Family Cohort 数据按种族划分的常见健康状况患病率估计的不确定性。