Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen

Transkriptio

1 Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 1 Estimaattorin tyyppi Mallin valinta Asetelmaperusteinen estimointi Horvitz-Thompson (HT) Malliavusteinen estimointi Yleistetyt regressioestimaattorit Generalize Regression Estimator (GREG) Malliperusteinen estimointi Synteettiset estimaattorit (SYN) Esimerejä

2 ESTIMAATTORIN TYYPPI 2 Päätyypit 1. Asetelmaperusteiset estimaattorit Desig-base estimators a) Estimaattorit, joissa ei äytetä lisäinformaatiota HT-estimaattori Háje-estimaattori b) Malliavusteiset estimaattorit Moel assiste estimators Yleistetyt regressioestimaattorit Generalize regression (GREG) Mallialibrointiestimaattorit (MC) Moel calibration estimators c) Kalibrointiestimaattorit Moel-free calibration estimators 2. Malliperusteiset estimaattorit Moel base estimators a) Synteettiset (SYN) estimaattorit Synthetic estimators b) EBLUP-estimaattorit Empirical best linear unbiase preictor

3 Table 1. Malliavusteisten ja malliperusteisten estimaattoreien ominaisuusia (Lehtonen an Pahinen 2004) 3 Harha Bias Taruus Precision (Varianssi) Täsmällisyys Accuracy (MSE) Luottamusvälit Confience intervals Asetelmaperusteiset HT GREG Harhaton (ainain liimain) Varianssi voi olla suuri pienissä osajouoissa Varianssi pienenee osajouon otosoon asvaessa MSE = Variance (liimain) Asetelmaperusteiset luottamusvälit OK Malliperusteiset Syntettiset SYN EBLUP Harhainen Harha ei välttämättä lähene nollaa osajouon otosoon asvaessa Varianssi voi olla pieni myös pienissä osajouoissa Varianssi pienenee osajouon otosoon asvaessa MSE = Variance + square Bias Täsmällisyys voi olla huono jos harha on suuri Asetelmaperusteiset luottamusvälit ei välttämättä OK

4 Estimaattoreien teoreettisia ominaisuusia voiaan tutia empiirisesti simulointioeien avulla: 4 Harha Bias Bias( tˆ) E(ˆ t ) T Taruus Precision Var( tˆ) E(ˆ t E(ˆ)) t 2 Täsmällisyys Accuracy MSE(ˆ) t E(ˆ t T) 2 Var(ˆ) t Bias 2 (ˆ) t

5 MALLIN VALINTA 5 Kasi näöulmaa Mallin matemaattinen muoto Mallin parametrisointi ESIMERKKI: Matemaattinen muoto Jatuva tulosmuuttuja Lineaarinen malli Binäärinen tulosmuuttuja Binominen logistinen malli Moniluoainen tulosmuuttuja Multinomiaalinen logistinen malli Luumäärämuuttuja Poisson-regressiomalli HUOM: Mallit ovat yleistettyjen lineaaristen seamallien (Generalize Linear Mixe Moels GLMM) erioistapausia (McCulloch an Searle 2001)

6 6 Tilastolliset mallit matemaattisen muoon, tulosmuuttujan tyypin ja selittäjien tyypin muaan Epälineaariset mallit Lineaariset mallit Logistiset Logaritmiset (Poisson) -mallit Selittäjämuuttujat Tulosmuuttuja jatuva Tulosmuuttuja binäärinen tai moniluoainen Tulosmuuttuja luumäärämuuttuja Disreettejä Lineaarinen ANOVA Logit-ANOVA Logaritminen (Poisson) ANOVA Jatuvia Lineaarinen regressio Logit-regressio Logaritminen (Poisson) regressio Disreettejä ja jatuvia Lineaarinen ANCOVA Logit-ANCOVA Logaritminen (Poisson) ANCOVA

7 MALLIN PARAMETRISOINTI 7 Kasi perustyyppiä: Kiinteien teijöien malli Fixe-effects moel formulation Esimerisi: Lineaarinen malli y z Kiinteät teijät 0 ja 1 Seamalli / Hierarinen malli / Monitasomalli Mixe moel / Hierarchical moel / Multilevel moel formulation Esimerisi: Lineaarinen malli y u z Domain-ohtaiset satunnaistermit u 0 HUOM: Kutain mallia vastaava malliavusteinen (GREG; MC) ja malliperusteinen (SYN, EBLUP) estimaattori voiaan onstruoia

8 ESIMERKKI (Lehtonen, Särnal an Veijanen 2003) Table 3. Estimaattoreien luoittelu mallin valinnan ja estimaattorin tyypin muaan 8 Kiinteien teijöien mallit MALLIN VALINTA Aggregoinnin taso Population moels Mallin parametrisointi Matemaattinen muoto ESTIMAATTORIN TYYPPI 1. Lineaarinen SYN-P GREG-P 2. Logistinen LSYN-P LGREG-P Domain moels 3. Lineaarinen SYN-D GREG-D 4. Logistinen LSYN-D LGREG-D Seamallit Domain moels 5. Lineaarinen MSYN-D MGREG-D 6. Logistinen MLSYN-D Malliperusteinen Asetelmaperusteinen malliavusteinen MLGREG- D P-mallit (Perusjouon tasoinen): Kiinteien teijöien mallit, parametrisointi populaatiotasoisena D-mallit (Domain-tasoinen): Mallissa omain-ohtaisia parametreja (iinteitä tai satunnaisia)

9 TARKASTELUKEHIKKO JA PERUSTEITA 9 Notaatio Äärellinen perusjouo U 1,2,...,,..., N Toisensa poissulevat perusjouon osajouot (omains) U,..., U,..., U 1 Oletetaan ensin että aliotasoinen (unit-level) perusjouo U on äytettävissä ehioperusjouon muoossa Tilastoreisteri Väestöreisteri Yritysreisteri D Oletetaan että U sisältää joaiselle aliolle muuttujat: U Ientifiaatiomuuttuja (ID) Osajouoon uulumisiniaattorit Ositeiniaattorit Ryväsiniaattorit Apumuuttujatieot (z-muuttujat)

10 Tulosmuuttuja: y Y Tulosmuutujan (tuntematon) arvo aliolle 10 Koheparametrit: Osajouototaalit (Domain totals) Apumuuttujat: T Y, 1,..., D U z imensio J 1 ( z 1,..., z,..., z ) j J Domain-iniaattorivetori: δ ( 1,...,,..., ) D muulloin : Ositeiniaattorivetori: τ : = 1 un U, nolla τ h 1 un U h, h 1,..., H, nolla muulloin, missä U h viittaa ositteeseen h ja H on ositteien luumäärä.

11 HUOM: Vetori z oletetaan tunnetusi aiille alioille U 11 ESIMERKKI Henilötutimus: Vetori z sisältää muuttujat iä, suupuoli, verotustieot, oulutustieot, työllisyystieot ym. jatuvia ja isreettejä muuttujia henilölle Yritystutimus: Vetori z sisältää muuttujat liievaihto ja henilöstön luumäärä yrityselle Misi apumuuttujavetori z oletetaan tunnetusi? Joustavuusperiaate. Data voiaan tarvittaessa aggregoia osajouo- tai ositetasolle. Parhaat mallit saaaan aliotasoisina. HUOM: Ysinertaisimmissa tapausissa riittää että tunnetaan aggregaatteja, uten osajouojen totaalit T,..., apumuuttujille z j z T 1 z J Mallinnusvaiheessa tavallisesti oletetaan että vaio 1 on vetorin z ensimmäinen alio

12 Otanta ja tieoneruu 12 Satunnaisotos s ooa n poimitaan perusjouosta U äyttämällä otanta-asetelmaa p(s) jossa sisältymistoennäöisyys iinnitetään aliolle U Asetelmapaino: w 1/ Tulosmuuttujan arvot y mitataan otosalioilta s Vastausaon ajustointi Ysiöato (unit nonresponse): Uuelleenpainotus tarvittaessa Eräato (item nonresponse): Imputointi tarvittaessa

13 KAKSI VAIHTOEHTOISTA DOMAIN- RAKENNETTA 13 Osajouojen otoset: s U s, 1,..., D Ei-suunniteltu (unplanne) omain-raenne: Ósajouojen otosooja n s ei ole iinnitetty otanta-asetelmassa Otosoot n s ovat satunnaismuuttujia Suunniteltu (planne) omain-raenne: Osajouojen otosoot n on iinnitetty otanta-asetelmassa (ositettu otanta) Osajouojen otosoot n ovat iinteitä Ositettu otanta ja sopiva iintiöintimenetelmä Optimaalinen (Neyman) -iintiöinti Banier-iintiöinti Tasaiintiöinti

14 14 Table 4. Planne an unplanne omain structures in a stratifie sample of n elements, Lehtonen an Pahinen (2004) Unplanne omains 1 s11 2 s21... s 1... D s D 1 Strata (planne omains) 1 2 h H Sum n n s 12 ns 1 n h s 1 n H s 1 n n s 22 ns 2 n h s 2 n H s 2 n n s 2 n s n h s n H s n Sum 1 n 2 n s D 2 n s n Dh sdh n n h n H n n s D Stratum sample sizes n h, h = 1,,H, are fixe in the sampling esign. Thus, the strata are efine as planne omains. Sample sizes n, = 1,,D, for unplanne omains are not fixe s in avance an thus are ranom variables. Cell sample sizes n are ranom variables in both cases. s h

15 ESIMERKKI 15 Ei-suunniteltu raenne: Ootettu otosoo osajouossa, otanta-asetelmana SRSWOR: E( n ) n( N / N) s Suunniteltu raenne: Osajouot on määritelty ositteisi Oletetaan että tulosmuuttujan y variaatioertoimet C.Vy S y / Y tunnetaan aiissa osajouoissa, missä S y ja Y ovat perusjouon esihajonta ja esiarvo omainissa Banier-iintiöinti: Domain-otosoot ovat n, pow T C.V a z y n, D a 1 T C.V z y Vaio a = 0 tässä tapausessa.

16 Perusjouo: Occupational Health Care Survey (OHC), N 7841 henilöä 16 Parametrit: Domain-totaalit T Y, 1,..., D U Pitäaiaisesti sairaien luumäärä osajouoissa D 30 osajouoa Otos: SRSWOR, otosoo n 392 Horvitz-Thompson-estimaattori: tˆ HT w y, 1,..., D s missä w 1/ Laatuiniaattori: Estimaattorin variaatioerrtoin coefficient of variation C.V( t ˆ ) S.E(ˆ t ) / T HT HT

17 Table 5. HT-estimaattoreien CV (%) ei-suunnitellussa ja suunnitellussa omain-raenteessa (Lehtonen an Pahinen 2004). 17 Domain D N Domain-otosoo HT-estimaattoreien C.V (%) Eisuunniteltu raenne SRSWOR E ( n s ) Suunniteltu raenne Banieriintiöinti n Eisuunniteltu raenne SRSWOR C.V HT (ˆ t ) Suunniteltu raenne Banieriintiöinti C.V HT Sum (ˆ t )

18 HT (SRSWOR) HT (Power) Size of population omain Figure 1. (Lehtonen an Pahinen 2004) Horvitz-Thompson-estimaattorin variaatioerroin (%) SRSWOR-otannan tilanteessa (vastaa unplanne-raennetta) ja ositetun SRSWORotannan tilanteessa (Banier-iintiöinti, a = 0) (vastaa planne-raennetta).

19 BOX 1. Estimointiproseuurin operationaaliset vaiheet 19 Vaihe 1: Kehioperusjouon onstruointi. Muoostetaan N alion perusjouo U, joa sisältää seuraavat muuttujat: ID-tieto, omain-iniaattorit, ositeiniaattorit, sisältymistoennäöisyyet n alion otosta varten asetelmalla p(s), ja apumuuttujavetorit aiille alioille U. Vaihe2: Otanta ja mittaus. Poimitaan otos asetelmalla p(s) ja erätään tieot tulosmuuttujasta y. Muoostetaan otostieosto s(y), joa sisältää seuraavat muuttujat: ID-tieto, havaittu y-muuttujan arvo ja asetelmapainot aiille alioille s. Vaihe 3: Yhistetään U ja s(y). Muoostetaan yhistetty tieosto mirolinaamalla (merge) avaimen ID avulla ehiopj U ja otosaineisto s(y). Vaihe 4: Mallin valinta ja mallin sovitus. Mallin matemaattisen muoon valinta, parametrisointi ja sovittaminen otosaineistolle. Mallin iagnostiia. Lasetaan sovitetun mallin avulla tulosmuuttujan y sovitteet aiille pj:n alioille U seä resiuaalit aiille otosalioille s. Vaihe 5. Domain-estimaattoreien valinta ja estimointi. Käyttämällä sovitteita, resiuaaleja ja asetelmapainoja lasetaan estimaatit ullein osajouolle. Vaihe 6: Estimaattoreien laatuiniaattorit. Domainestimaattoreien varianssien, esivirheien ja variaatioertoimien estimointi. (Lehtonen an Pahinen 2004)

20 Table 6. Vaiheien 1, 3 ja 4 havainnollistaminen. 20 Vaihe 1: Kehioperusjouon U onstruointi Vaihe 3: Yhistetään U ja s(y) Vaihe 4: Lasetaan sovitteet ja resiuaalit Alio ID Domain δ Osite τ π Otos- Ini. I Apumuuttujat z Asetelmapainot w Tulosmuuttuja y Sovitteet ŷ Resiuaalit ê δ 1 τ π 1 1 z δ 2 τ π 2 2 z δ 3 τ 3 3 π 3 z w 1 3 δ 4 τ π 4 4 z δ 5 τ π 5 5 z 5 w 1 5 ŷ... 1 ŷ... 2 y 3 ŷ 3 ê 3 ŷ... 4 ê y 5 ŷ δ τ π z w 1 y ŷ ê N δ N τ N π N z N ŷ... N Non-sample element

21 HUOM: 21 Apumuuttujavetorit z ( 1,..., ) z zj oletetaan tunnetusi aiille pj:n alioille Tällöin apumuuttujien totaalien vetori T (,..., ) z Tz T 1 z missä T J z j U z j, j 1,..., J, on tunnettu Kosa omain-iniaattorit tunnetaan, voiaan lasea apumuuttujien omain-totaalit T z z j, 1,..., D ja j 1,..., J j U Mallin sovitusvaiheessa lasetaan sovitteet yˆ aiille N aliolle U Resiuaalit eˆ y yˆ voiaan lasea vain otoshavainnoille s Sovitteet yˆ, U vaihtelevat spesifioiusta mallista riippuen.

22 DOMAIN-TOTAALIEN ESTIMAATTORIT 22 Osajouototaalien päätyypit: T y estimaattoreien U Horvitz-Thompson estimaattori HT t ˆ w y y / HT s s Synteettinen estimaattori SYN tˆ SYN yˆ (1) U Yleistetty regressioestimaattori GREG (Generalize regression estimator) (2) t ˆ y ˆ w ( y y ˆ ) GREG U s Yhistelmäestimaattori (Composite estimator) missä t ˆ y ˆ ˆ a ( y y ˆ ) w COMP U s 1/, s s U ja 1,..., D COMP-estimaattorissa ˆ on omain-spesifi paino, 0 ˆ 1, jota tarvitaan erityisesti EBLUPestimaattorin yhteyessä

23 23 ESTIMAATTOREIDEN KONSTRUOINTI JA MALLIN SPESIFIOINTI Työvaiheet: (1) Estimoiaan valitun mallin parametrit äyttämällä otosaineistoa s( y) ( y, z ); s. (2) Mallin parametriestimaattien ja apumuuttujavetoreien z avulla lasetaan sovitteet yˆ aiille perusjouon alioille (otosaliot ja otosen ulopuoliset aliot) (3) Domain-totaalin T estimaattia tˆ varten omainissa sijoitetaan sovitteetyˆ ; U ja otoshavainnot y ; s vastaaviin estimaattoriaavoihin (GREG, SYN, COMP tai EBLUP).

24 ESIMERKKI 24 a) Kiinteien teijöien lineaarinen malli: y z β missä β on mallin tuntematon parametrivetori ja resiuaalit ovat Sovitetaan malli, saaaan estimaatti βˆ Lasetaan sovitteet yˆ = z βˆ aiille b) Lineaarinen seamalli: y z ( β u ) U missä u on omain-spesifien satunnaistermien vetori Estimoiaan mallin parametrit ja lasetaan sovitteet yˆ z (ˆ β uˆ ) aiille U

25 MALLIN SPESIFIOINTI 25 Oloon (J+1)-imensioinen apumuuttujavetori z = ( 1, z 1,..., z,..., z ), j 1,..., J j J Vetoria tarvitaan sovitteien yˆ, varten U lasentaa (1) Kiinteien teijöien P-mallit Estimaattorit SYN-P ja GREG-P perustuvat lineaariseen malliin y 0 1z1... J zj zβ (3) U, missä β (, 1,..., J ) on iinteien teijöien vetori joa on määritelty oo populaatiolle 0 Malli (3) on iinteien teijöien P-malli

26 Mallin parametrien estimointi 26 Perusjouon tasolla: Vetorin β PNS-estimaattori: 1 B z z z y (4) U U Käytettävissä otosaineisto: Painotettu PNS (Weighte least-squares, WLS) estimaattori parametrille (4) lasetaan äyttämällä otoshavaintoja: 1 bˆ w z w y z z (5) s s missä w 1/ on alion asetelmapaino Sovitteet ovat: yˆ zbˆ, U (6)

27 HUOM: Epäsuora omain-estimaattori 27 Kun äytetään P-mallia ositteelle, myös muien osajouojen y-arvot vaiuttavat osajouon totaaliestimaattoreihin SYN-P ja GREG-P sijoitettaviin sovitteisiin y ˆ Tästä syystä iinteien teijöien P-malliin perustuvia estimaattoreita tˆ SYN P ja tˆ GREGP utsutaan epäsuorisi (inirect)

28 28 (2) Kiinteien teijöien D-mallit. Estimaattorit SYN-D ja GREG-D perustuvat samaan apumuuttujavetoriin z, mutta malli määritellään omainohtaisesi: y z β (7) U, 1,..., D, tai y D 1 z β (8) U, missä on alion omain-iniaattori: = 1 un U, nolla muulloin, 1,..., D, ja β on omain-ohtainen parametrivetori Malli (7) on iinteien teijöien D-malli PNS-estimaattori parametrille : 1,...,D 1 U B z z z y (9) U

29 Otosataan perustuva WLS estimaaattori: 29 1,...,D Sovitteet ovat: 1 s bˆ w z z w z y (10) s yˆ zbˆ (11) ; 1,..., D U Sijoittamalla sovitteet yˆ aavoihin (1) ja (2) saaaan vastaavat estimaattorit SYN-D ja GREG- D HUOM: Suora omain-estimaattori D-mallien sovitusessa ussain omainissa äytetään vain yseisen omainin y-arvoja Vastaavia estimaattoreita tˆsyn D ja tˆgreg D utsutaan suorisi (irect)

30 HUOM: 30 Estimaattorin (9) täyellisempi muoto on GLSestimaattori (Generalize least squares) 1 U / c B z z z y / c U missä c on muotoa c λz aliolle U ja (J+1)-vetori λ ei riipu arvosta. Käytännössä asetetaan usein c 1 aiille Kosa nyt c λ z 1, seuraa siitä että GREGestimaattorin jäännöstotaalin HT-estimaatti w ( y ˆ y ) 0 s Tästä seuraa että SYN-D ja GREG-D ovat ienttiset, eli tˆ SYN D = tˆ GREG D joaiselle otoselle s, un äytetään iinteien teijöien D-mallia

31 (3) Seamallit. Estimaattorit MSYN-D ja MGREG-D perustuvat lineaariseen asitasomalliin (seamalliin), jota utsumme lineaarisesi D-tyypin seamallisi 31 Mallissa on iinteitä teijöitä ja omainohtaisia satunnaisia teijöitä: y u U 0 0, 1,..., D ( 1 u1 ) z1 = ( β u... ( J u J ) z J z ) (12) Kuin mallin termi voiaan ajatella populaatiotasoisen iinteän teijän ja omainohtaisen satunnaisteijän summasi: 0 u0 vaiotermille (intercept) u, j = 1,..., J ulmaertoimille (slopes) j j Termit u ( u, u1,..., uj ) eustavat poieamia mallin iinteän osan parametreista 0 y z... z z β (13) J J =

32 HUOM: 32 Käytännössä vai osa termeistä määritellään satunnaisisi, jolloin joillein j, u j 0 aiissa omaineissa Erioistapaus, jota äytetään paljon äytännön sovellusissa, on malli jossa on vain omainohtaiset satunnaiset vaiotermit u 0 : y ( u ) z... z J J Sovitteet lasetaan aavalla yˆ z (ˆ β uˆ ) (14) Saaaan estimaattorit MSYN-D ja MGREG-D (Lehtonen an Veijanen 1999) D-malli (12) voiaan sovittaa esimerisi estimoimalla varianssiomponentit suurimman usottavuuen (ML) tai rajoitetulla suurimman usottavuuen (restricte maximum lielihoo REML) menetelmällä ja iinteät teijät GLSmenetelmällä eholla varianssiomponentit (esim. Golstein 2003 tai McCulloch an Searle 2001).

33 Yleistettyjen lineaaristen seamallien GLMM ehiossa voiaan irjoittaa malli: 33 E ( y u ) g( z ( βu )) m Erioistapausia: Lineaarinen malli (jatuva tulosmuuttuja): E ( y u ) z ( βu ) m Multinomiaalinen logistinen seamalli (moniluoainen tulosmuuttuja): E ( y u ) m i m exp( z ( βi ui )) 1 exp( z ( β u )) r2 r r (Lehtonen, Särnal an Veijanen 2003)

34 ESIMERKKI 34 Jatuvatyyppinen y, jona totaali T estimoiaan omaineille U, 1,..., D Oletetaan ysi jatuvatyyppinen apumuuttuja z Avustavat mallit: (1) Kiinteien teijöien P-mallit y, U : (1a) y 0 (1b) y 1 z (1c) z y 0 1 (2) Kiinteien teijöien D-mallit y, U, 1,..., D: (2a) y 0 (2b) y z 1 (2c) y 0 1 z (3) Seamallit y, U, 1,..., D: (3a) y 0 0 u0 (3b) z u y z

35 HUOM: 35 Mallit (1b) ja (2b): Suhetehosteinen estimointi (Ratio estimation) osajouoille Mallit (1c) ja (2c): Regressioestimointi osajouoille HUOM: Mallit (1) ja (3): Epäsuorat (Inirect) estimaattorit SYN ja GREG Malli (2): Suorat (Direct) estimaattorit SYN ja GREG

36 ESIMERKKI 36 P-malli (1b) SYN-estimaattori (1) totaaleille T : 1,..., D tˆ yˆ bˆ z SYN P U U 1 T bˆ T tˆ / tˆ z 1 z HT zht (18) Parametrin (slope) B 1 estimaattori on: b ˆ1 s s w w y z tˆ tˆ HT zht Ono tämä estimaattori suora (irect) vai epäsuora (inirect)? Estimaattori (18) on epäsuora. Misi? Estimaattori tˆ SYN P osajouolle äyttää y- muuttujan arvoja oo otosesta ja pyrii siten lainaamaan voimaa (borrowing strength) myös muista omaineista

37 HUOM: 37 SYN-estimaattorin (18) harha Estimaattorin aavalla tˆ harhaa approsimoiaan SYN P BIAS(ˆ tsyn P) E(ˆ tsyn P) T Tz ( B 1 B1 ) missä B 1 U y / U z on omain-ohtainen parametri (slope), 1,..., D B 1 U y / U z on perusjouotasoinen parametri Domainille harha on pieni, jos perusjouotasoinen parametri B 1 approsimoi hyvin osajouoohtaista parametria B 1 Merittävä harha seuraa jos ehto ei ole voimassa.

38 Vastaava epäsuora GREG-estimaattori (2) omain-totaaleille T : 38 tˆ GREGP U yˆ s w ( y yˆ ) t ˆ z ) ˆSYN P w ( y b1 s tˆ ˆ HT t ( ˆ HT Tz tzht ) (19) tˆ zht HUOM: Yritys lainata voimaa pätee myös tälle estimaattorille

39 39 Suorat estimaattorit SYN ja GREG tyyppiä (2b) äyttävät y-arvoja vain yseisestä omainista Korvataan ˆb 1 aavassa (18) omain-ohtaisella estimaattorilla bˆ 1 : b ˆ1 s s w w y z tˆ tˆ HT zht, 1,..., D, missä tˆ HT ja tˆ zht ovat totaalien T ja T z omainohtaisia HT-estimaattoreita Suora estimaattori SYN tˆ SYN D ˆ yˆ b z Tz tˆ HT / tˆ zht tsyn D U 1 U ˆ, 1,...,D. (20) Tässä tapausessa suora GREG-estimaattori tˆ GREG D on ienttinen suoran SYN-estimaattorin anssa, osa GREG-estimaattorin harhanorjaustermi on tällöin nolla.