📊 statistics

Improving Survey Inference in Two-phase Designs Using Bayesian Machine Learning

Este artículo propone un enfoque de imputación múltiple basado en árboles bayesianos que incorpora el diseño de la encuesta original para mejorar la inferencia en muestras de dos fases, demostrando mediante simulaciones y un caso de estudio en Uganda que este método supera a los estimadores ponderados tradicionales al reducir el sesgo y el error cuadrático medio mientras mantiene una cobertura de intervalos de confianza adecuada.

Autores originales: Xinru Wang, Anyu Zhu, Lauren Kennedy, Abigail Greenleaf, Qixuan Chen

Publicado 2026-04-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xinru Wang, Anyu Zhu, Lauren Kennedy, Abigail Greenleaf, Qixuan Chen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta para cocinar un plato delicioso (obtener datos precisos) cuando solo tienes ingredientes de alta calidad para una parte de la comida y datos más básicos para el resto.

Aquí tienes la explicación de la investigación en un lenguaje sencillo, con analogías para que sea fácil de entender:

🍽️ El Problema: La Cena de Dos Fases

Imagina que eres el jefe de una gran fiesta (el estudio de salud) y quieres saber qué piensa todo el país sobre la vacunación contra el COVID-19.

Fase 1 (La lista de invitados): Tienes una lista enorme de 26,000 personas. Les haces preguntas fáciles y baratas: "¿Tienes teléfono?", "¿Dónde vives?", "¿Cuántos años tienes?". Esto es rápido y económico.
Fase 2 (La cena especial): Pero, para saber si se vacunaron, necesitas hacerles una pregunta más difícil y cara: "¿Te vacunaste?". No puedes preguntárselo a los 26,000 porque sería demasiado costoso y lento. Así que, eliges al azar a un pequeño grupo (digamos, 800 personas) de esa lista grande y solo a ellos les haces la pregunta difícil.

El Truco: Ahora tienes los datos fáciles de todos, pero los datos difíciles solo de un pequeño grupo. Si intentas calcular el promedio de vacunación solo con ese grupo pequeño, podrías cometer un error grave. Por ejemplo, si en tu grupo pequeño hay más gente de la ciudad que en el país real, pensarás que hay más vacunados de los que realmente hay.

⚖️ El Viejo Método: Los Pesos (La Balanza Inestable)

Antes, los estadísticos usaban un método llamado "ponderación". Imagina que tienes una balanza. Si en tu grupo pequeño faltan personas del campo, les das un "peso" gigante a las pocas personas del campo que sí tienes, para que "equilibren" la balanza.

El problema: A veces, para equilibrar la balanza, tienes que darle un peso tan enorme a una sola persona que la balanza se vuelve inestable. Un solo error o una persona rara puede hacer que todo el cálculo salte por los aires. Además, si la fórmula para calcular esos pesos está mal, el resultado final será incorrecto.

🌳 La Nueva Solución: El Árbol Mágico (BART)

Los autores de este artículo proponen una idea diferente y más inteligente. En lugar de intentar "pesar" a las personas del grupo pequeño, dicen: "¡Vamos a adivinar lo que le pasó a los que no contestaron!".

Usan una herramienta de Inteligencia Artificial llamada BART (Árboles de Regresión Aditivos Bayesianos).

La Analogía del Árbol: Imagina un árbol gigante con muchas ramas. Cada hoja del árbol representa una decisión (ej. "¿Vive en la ciudad? Sí/No", "¿Tiene teléfono? Sí/No").
Cómo funciona: El árbol mira a las 800 personas que sí contestaron (Fase 2) y aprende patrones. Por ejemplo, descubre que "las personas de la ciudad con teléfonos y que trabajan tienden a estar vacunadas".
El Truco: Luego, el árbol usa esos patrones para predecir (o "imputar") si las otras 25,000 personas que solo respondieron la Fase 1 también estarían vacunadas, basándose en sus características (edad, ubicación, etc.).

Es como si el árbol fuera un detective muy listo que, viendo los datos de los que sí contestaron, deduce lo que probablemente le pasó a los que no.

🧩 ¿Por qué es mejor?

Menos inestabilidad: En lugar de darle un peso gigante a una persona (como en el método viejo), el árbol usa toda la información disponible para hacer una predicción suave y equilibrada.
Aprovecha todo: Usa miles de datos de la Fase 1 (ingresos, educación, tipo de techo de la casa) para hacer la predicción, no solo unos pocos.
Es más preciso: En sus pruebas de laboratorio (simulaciones), este método dio resultados con menos errores y más confianza que el método de los pesos.

🇺🇬 El Ejemplo Real: Uganda

Los autores probaron esto con datos reales de Uganda.

Tenían una encuesta grande sobre el VIH (Fase 1).
Luego, hicieron una encuesta por teléfono a un subgrupo (Fase 2) para saber sobre vacunas.
Resultado: El método del "Árbol Mágico" (BART) logró estimar la vacunación con mucha más precisión que los métodos tradicionales. Incluso cuando intentaron predecir otra cosa (como "¿visitaste al médico el último año?"), sus predicciones coincidieron casi perfectamente con la realidad, mientras que los métodos viejos se desviaban un poco más.

💡 En Resumen

Este artículo nos dice que, cuando tenemos una encuesta grande con datos básicos y una pequeña encuesta con datos detallados, no debemos solo "pesar" a la gente pequeña. En su lugar, debemos usar la inteligencia artificial (como los árboles de decisión) para reconstruir la historia completa de la gente grande basándonos en lo que aprendimos de la gente pequeña.

Es como si, en lugar de intentar adivinar el sabor de un pastel completo probando solo un trozo y multiplicando su sabor, usáramos la receta completa y los ingredientes que ya conocemos para reconstruir el sabor exacto de todo el pastel. ¡Y así obtenemos una respuesta mucho más deliciosa (precisa)!

Resumen Técnico

1. Planteamiento del Problema

El diseño de muestreo en dos fases es una estrategia costo-efectiva ampliamente utilizada en investigación de salud pública. En la Fase I, se selecciona una muestra de una población finita utilizando un diseño complejo (por ejemplo, estratificado y por conglomerados) para recopilar variables auxiliares económicas y fáciles de obtener. En la Fase II, se selecciona un subconjunto de la muestra de la Fase I para medir resultados costosos o difíciles de obtener.

El desafío principal radica en la inferencia estadística basada en la muestra de la Fase II. El enfoque tradicional utiliza ponderación (creación de pesos de submuestra), que combina los pesos de la Fase I con ajustes por selección y no respuesta de la Fase II. Sin embargo, este método presenta limitaciones críticas:

Inestabilidad: La multiplicación de pesos puede generar pesos extremadamente variables, aumentando la varianza de los estimadores.
Especificación del modelo: Los métodos de ponderación dependen de modelos de propensión bien especificados. Si el modelo está mal especificado, los estimadores resultan sesgados.
Ineficiencia: A menudo no aprovecha toda la información rica de las variables auxiliares de la Fase I para predecir el resultado de interés, enfocándose solo en corregir diferencias distribucionales.

2. Metodología Propuesta

Los autores proponen un enfoque alternativo basado en Imputación Múltiple (MI) utilizando Bayesian Additive Regression Trees (BART) y su extensión con interceptos aleatorios (rBART).

Enfoque de Datos Faltantes: En lugar de ajustar pesos, el método trata los valores de los resultados (medidos solo en la Fase II) para los sujetos de la Fase I que no participaron en la Fase II como datos faltantes.
Modelos de Imputación BART/rBART:
- Se utilizan modelos BART (una suma de árboles de regresión entrenados mediante MCMC) para imputar los valores faltantes en la muestra de la Fase I.
- Incorporación del Diseño de Encuesta: A diferencia de aplicaciones estándar de BART, este método integra explícitamente las características del diseño complejo de la Fase I en el modelo de imputación:
  - Variables de estratificación (strata).
  - Indicadores de conglomerados (clusters).
  - Pesos de la muestra de la Fase I.
  - Ajustes de propensión de la submuestra (como covariables).
- Para datos de conglomerados, se utiliza rBART (BART con intercepto aleatorio) para modelar la correlación intra-conglomerado.
Procedimiento de Inferencia:
1. Se generan $D$ conjuntos de datos imputados.
2. Para cada conjunto imputado, se estima la media poblacional utilizando los pesos de la Fase I y métodos de linealización de series de Taylor para calcular la varianza dentro de la imputación.
3. Se combinan los resultados de las $D$ imputaciones utilizando las reglas de Rubin para obtener la estimación final y la varianza total (que incluye la varianza dentro y entre imputaciones).
4. Se utilizan intervalos de confianza basados en la distribución $t$ de Student.

3. Contribuciones Clave

Extensión del Marco BART a Diseños de Dos Fases: Mientras que estudios anteriores (como Liu et al., 2023) aplicaron BART a muestras de una sola fase, este trabajo adapta el marco para manejar diseños de muestreo estratificado y por conglomerados en dos fases.
Incorporación de Características de Diseño: Demostración de cómo incluir estratos, conglomerados y pesos de la encuesta directamente en los modelos de árboles bayesianos para garantizar inferencias válidas en poblaciones complejas.
Validación de la Varianza de Rubin: Confirmación de que el uso de las reglas de Rubin para la estimación de la varianza en este contexto específico proporciona inferencias estadísticas válidas, superando los problemas de cobertura de los intervalos que surgen al usar directamente las muestras posteriores sin ajustar por el diseño de la Fase I.
Aplicación Real: Implementación exitosa en un estudio de subcohorte de telefonía móvil en Uganda, demostrando la utilidad práctica del método en escenarios de datos reales con sesgos de cobertura.

4. Resultados

El estudio se evaluó mediante simulaciones extensas y una aplicación empírica:

Simulaciones:
- Rendimiento Superior: Los estimadores basados en MI (MI-BART y MI-rBART) superaron consistentemente a los estimadores ponderados tradicionales (WT-LGM, WT-CHAID, WT-BART, WT-rBART).
- Métricas: Los métodos MI mostraron menor sesgo, menor error cuadrático medio (RMSE) y intervalos de confianza del 95% más estrechos.
- Tasas de Cobertura: Las tasas de cobertura de los intervalos de confianza de los métodos MI estuvieron mucho más cerca del nivel nominal (95%) en comparación con los métodos ponderados, especialmente en escenarios de alta dimensionalidad y cuando los modelos de propensión estaban mal especificados.
- Robustez: Incluso cuando se violó la suposición de que las variables auxiliares cubren rangos comparables entre fases (escenario de covariables dispersas), los métodos MI mantuvieron un mejor rendimiento que la ponderación, aunque con un ligero aumento en el sesgo.
- Impacto de los Ajustes de Ponderación: Incluir los ajustes de ponderación de la submuestra como covariables en el modelo de imputación redujo ligeramente el sesgo y el RMSE.
Aplicación en Uganda (Encuesta de Vacunación COVID-19):
- Se estimó la cobertura de vacunación en adultos utilizando datos de una submuestra de encuestas telefónicas extraída de la encuesta nacional UPHIA2020.
- Comparación: Los estimadores ponderados tradicionales produjeron estimaciones de cobertura más altas (alrededor del 60-61%), que excedían las cifras reportadas por los CDC para ese periodo, sugiriendo un sesgo al alza.
- Resultado del Método Propuesto: Los métodos MI-BART y MI-rBART produjeron estimaciones más bajas y precisas (alrededor del 53-55%), más alineadas con la realidad esperada.
- Validación: En un estudio de validación utilizando la variable "visita a centro de salud", los métodos MI produjeron estimaciones más cercanas a la referencia de la población completa y con intervalos de confianza más estrechos que los métodos ponderados.

5. Significado e Implicaciones

Este trabajo ofrece una alternativa robusta y costo-efectiva para la inferencia poblacional en diseños de dos fases complejos.

Eficiencia: Al aprovechar la información predictiva de las variables auxiliares de la Fase I mediante aprendizaje automático, se mejora la eficiencia de las estimaciones sin incurrir en el costo de medir resultados en toda la población.
Reducción de Sesgo: Mitiga los problemas de inestabilidad de los pesos y la sensibilidad a la especificación del modelo que afectan a los métodos de ponderación tradicionales.
Escalabilidad: El enfoque es particularmente valioso en estudios de salud pública donde se dispone de grandes conjuntos de datos auxiliares (alta dimensionalidad) y donde realizar nuevas encuestas probabilísticas es inviable.
Recomendación Práctica: Se recomienda encarecidamente incorporar las características del diseño de la encuesta (estratos, conglomerados) y los pesos como covariables en los modelos de imputación bayesiana para garantizar la validez de la inferencia en poblaciones complejas.

En conclusión, la integración de BART dentro de un marco de Imputación Múltiple que respeta la estructura de diseño de encuestas complejas representa un avance significativo en la metodología de encuestas, ofreciendo estimaciones más precisas y fiables para la toma de decisiones en políticas públicas.