Coarsened data in small area estimation: a Bayesian two-part model for mapping smoking behaviour

Resumen Técnico: Datos Agrupados en la Estimación de Áreas Pequeñas: Un Modelo Bayesiano de Dos Partes para el Mapeo del Comportamiento de Tabaquismo

Planteamiento del Problema
El monitoreo de la salud pública depende frecuentemente de datos de encuestas autoinformados, los cuales están inherentemente sujetos a errores de medición como el sesgo de memoria, el redondeo y la preferencia sistemática de dígitos (agrupamiento o heaping). Estos mecanismos de agrupación reducen la resolución de los datos y pueden introducir un sesgo significativo en las estimaciones a nivel de dominio. Además, al estimar indicadores para áreas geográficas pequeñas o subgrupos sociodemográficos específicos, los tamaños de muestra suelen ser insuficientes para una estimación directa fiable. Este artículo aborda el doble desafío de los tamaños de muestra limitados y la agrupación de datos en el contexto de la estimación de indicadores de tabaquismo (prevalencia, intensidad y proporción de tabaquismo intenso) en las regiones italianas y grupos de edad utilizando la Encuesta Europea de Salud (EHIS) de 2019. Los métodos estándar de Estimación de Áreas Pequeñas (SAE), aunque son efectivos para compartir información entre dominios, suelen tratar los valores reportados como libres de error, por lo que no logran contabilizar la distorsión causada por el agrupamiento y el truncamiento superior (por ejemplo, agrupar todos los valores por encima de 20 cigarrillos).

Metodología
Los autores proponen un marco de SAE de nivel de unidad bayesiano diseñado específicamente para respuestas semicontinuas y agrupadas. El modelo se estructura en dos partes distintas:

1. Parte Uno (Prevalencia): Un modelo de efectos mixtos logísticos estima la probabilidad de que un individuo sea un fumador diario ($W$). Este componente utiliza una regresión logística estándar con efectos aleatorios específicos del dominio para manejar la naturaleza binaria de los datos.
2. Parte Dos (Intensidad): Un modelo de mezcla flexible estima el consumo promedio diario de cigarrillos ($Z$) entre los fumadores diarios.
   • Estructura Latente: El modelo postula que el recuento entero observado ($Z^*$) es una realización agrupada de una variable continua latente $Z$.
   • Mecanismo de Agrupación: Se introduce explícitamente una variable latente $G$ para modelar el comportamiento de agrupamiento (heaping). $G$ representa el régimen de redondeo (entero más cercano, múltiplo de 5 más cercano o múltiplo de 10 más cercano). La probabilidad de $G$ depende de la intensidad latente $Z$ a través de un modelo de proporciones de ordenadas, lo que permite que el mecanismo de agrupación sea no ignorable (es decir, dependiente del valor de $Z$).
   • Suposición Distribucional: La intensidad latente $Z$ se modela utilizando una Mezcla de Lognormales (LNM) de dos componentes. Este enfoque de "Mezcla de Expertos" permite efectos de intercepto y de covariables específicos por componente, capturando la heterogeneidad en los patrones de consumo que una sola distribución Lognormal no puede capturar.
   • Truncamiento Superior: El modelo contabiliza explícitamente el truncamiento a la derecha donde los valores $\ge 20$ se registran como una única categoría (21 en la encuesta).
   • Inferencia: El modelo se ajusta mediante el Método de Monte Carlo Hamiltoniano (HMC) a través de Stan. Los autores derivan condiciones suficientes sobre las distribuciones a priori de los componentes de varianza para asegurar la existencia de momentos posteriores para los indicadores objetivo, abordando un problema técnico conocido con las verosimilitudes Lognormales.

Contribuciones Clave

• Integración de la Agrupación en SAE: El artículo cierra una brecha en la literatura al integrar un mecanismo de agrupación explícito dentro de un marco de SAE de nivel de unidad. A diferencia de trabajos previos que se centran en resultados a nivel individual o ignoran el agrupamiento en la estimación de dominios, este enfoque estima conjuntamente los parámetros de área pequeña y el proceso de agrupación.
• Especificación de Mezcla de Dos Partes: El modelo acomoda la naturaleza semicontinua de los datos (masa en cero) y la heterogeneidad de los valores positivos a través de una mezcla de Lognormal de dos componentes, combinada con una probabilidad de mezcla dependiente de las covariables.
• Garantías Teóricas: Los autores proporcionan condiciones formales (Proposiciones 1 y 2) respecto a las especificaciones a priori que garantizan la finitud de los momentos posteriores para los indicadores objetivo, un requisito crítico para una inferencia bayesiana válida en este contexto.
• Manejo de la Agrupación No Ignorable: Al modelar la dependencia del mecanismo de redondeo con la intensidad latente, el enfoque corrige los sesgos que surgen cuando el agrupamiento es informativo.

Resultados

• Estudio de Simulación: Un estudio de simulación basado en modelos comparó el modelo de mezcla consciente de la agrupación propuesto (LNM-C) contra alternativas: un modelo Lognormal estándar (LN), un modelo Lognormal con agrupación (LN-C) y un modelo de mezcla que ignora la agrupación (LNM).
  • Cuando la agrupación depende del valor latente (no ignorable), ignorarla conduce a estimaciones de puntos sesgadas, un RMSE inflado y una cobertura severamente deficiente de los intervalos de credibilidad, particularmente para la proporción de fumadores intensos ($HS_d$).
  • El modelo LNM-C logró consistentemente una cobertura casi nominal (aprox. 90%) y un menor sesgo/RMSE en todos los escenarios, demostrando robustez incluso cuando los patrones de agrupamiento eran complejos.
• Aplicación Empírica (Italia): Aplicado a 84 dominios de región-edad:
  • Ajuste del Modelo: Las verificaciones predictivas posteriores confirmaron que el modelo LNM-C sigue de cerca la distribución empírica de los recuentos de cigarrillos reportados, incluyendo el agrupamiento en múltiplos de 5 y 10, y el truncamiento superior en 20, mientras que los modelos que ignoran la agrupación muestran desviaciones significativas.
  • Estimaciones: El análisis reveló distintos patrones de edad y regionales. La prevalencia del tabaquismo alcanzó su punto máximo en el grupo de edad de 25 a 49 años, mientras que la intensidad del tabaquismo y la proporción de fumadores intensos aumentaron con la edad, alcanzando su punto máximo en el grupo de 50 a 64 años.
  • Dinámicas Regionales: Mientras que la prevalencia no mostró un agrupamiento espacial fuerte, la intensidad del tabaquismo fue mayor en el sur de Italia y menor en el noreste. El modelo proporcionó estimaciones estables para los dominios con tamaños de muestra pequeños donde los estimadores directos no eran fiables.

Significancia y Reivindicaciones
El artículo sostiene que ignorar la agrupación de datos puede producir estimaciones de dominio sesgadas e inestables con una cobertura de intervalos deficiente, particularmente para indicadores sensibles a la cola de la distribución (por ejemplo, el tabaquismo intenso). Al modelar explícitamente los mecanismos de redondeo y truncamiento superior dentro de un marco de SAE de dos partes bayesiano, el enfoque propuesto mejora la precisión y logra una cobertura casi nominal. La aplicación empírica demuestra que esta metodología proporciona una imagen detallada y fiable de los patrones de tabaquismo a través de los dominios de región-edad, apoyando así políticas de salud pública más focalizadas. Los autores enfatizan que, si bien el modelo no es trivial, la liberación del código de Stan facilita su adaptación para otras aplicaciones que involucren datos agrupados o con truncamiento superior. El trabajo no pretende resolver todos los problemas de error de medición, sino que apunta específicamente al sesgo introducido por los mecanismos de agrupación conocidos en el contexto de la inferencia de áreas pequeñas.