移民健康保险覆盖与公民身份关联研究：基于贝叶斯单元级回归模型的分类调查数据测量误差校正

本研究针对美国移民群体中公民身份误报导致的健康保险覆盖评估偏差问题，提出加权伪似然分类分布混合模型，通过整合Current Population Survey (CPS)数据，同时解决信息性抽样设计和测量误差两大挑战。研究发现公民身份误报显著低估了公民与非公民间的健康保险覆盖差距（βc从0.76校正至0.88），特异性(Sp=0.832)显著低于敏感性(Se=0.950)，证实了政策制定需考虑数据误报影响。该成果发表于统计学顶级期刊，为复杂调查数据的误差校正提供了方法论创新。

　　

在美国移民研究中，公民身份与健康保险的关联一直是社会科学家关注的焦点。然而，Current Population Survey (CPS)等调查数据存在两大"数据陷阱"：一是复杂的抽样设计可能导致信息性偏差，二是高达16.8%的非公民会误报公民身份（Brown et al., 2019）。这种双重误差使得传统分析方法可能严重低估公民身份带来的社会福利差异，正如Van Hook和Bachmeier (2013)发现的，自我报告数据会系统性高估归化率。

为破解这一难题，Paul A. Parker团队在《Journal of the Royal Statistical Society Series A: Statistics in Society》发表创新研究。他们开发了加权伪似然混合模型，核心是通过潜在真实响应变量确定分类分布混合成分：首先构建贝叶斯层次模型，用Pólya-Gamma数据增强技术实现高效采样；其次引入重标化调查权重^?w_i解决信息性抽样；最后通过敏感性(S_e)和特异性(S_p)参数建模误报机制。研究使用2016年CPS的19,478名外国出生受访者数据，协变量涵盖人口学特征、社会经济指标等。

研究结果揭示三个关键发现：

1. 1.

   误差校正效应：公民身份对健康保险的正向影响系数β_c从传统模型的0.76(95%CI:0.68-0.85)提升至0.88(0.79-0.98)，证实误报导致17%的低估。

   
   c后验密度完全分离'>
2. 2.

   误报模式：特异性(1-S_p=0.168)远低于敏感性(1-S_e=0.050)，表明非公民更可能虚报身份，与行政记录研究一致。

   
   p估计值集中分布'>
3. 3.

   保险覆盖差异：公民参保概率后验分布(均值0.88)与非公民(均值0.79)完全无重叠，凸显法律地位对医疗可及性的决定性影响。

   

这项研究在方法论层面创新性地统一了测量误差模型与复杂调查分析框架，其开发的伪似然混合模型可扩展至多分类场景（见附录A）。实际应用中，研究警示政策制定者：若不校正数据误报，将严重低估公民权福利效应。例如，根据模型预测，现行基于原始数据的政策干预强度可能比实际需求低12-15%。未来研究可进一步探索误报异质性，或结合行政记录改进先验设置，这将为移民健康公平研究开辟新路径。