Social Media Data for Population Mapping: A Bayesian Approach to Address Representativeness and Privacy Challenges

Resumen Técnico: Datos de Redes Sociales para el Mapeo de Población: Un Enfoque Bayesiano para Abordar los Desafíos de Representatividad y Privacidad

Planteamiento del Problema
Los datos de población precisos y oportunos son críticos para la respuesta ante desastres y la planificación humanitaria; sin embargo, los datos de censos tradicionales a menudo no logran capturar cambios demográficos rápidos o la movilidad espacial a corto plazo. Si bien los datos de redes sociales (específicamente los conteos de usuarios de Facebook) ofrecen una alternativa prometedora para el monitoreo dinámico de la población, su utilidad se ve limitada por dos desafíos principales:

1. Representatividad: Los usuarios de redes sociales constituyen un subconjunto sesgado del total de la población, y la relación entre los conteos de usuarios observados y las existencias reales de población varía significativamente según los contextos socioeconómicos y geográficos.
2. Ausencia Inducida por la Privacidad: Para proteger la privacidad del usuario, Meta (Facebook) aplica técnicas de privacidad diferencial que censuran los datos de baja frecuencia. Específicamente, los conteos de usuarios por debajo de un umbral (10 usuarios) son enmascarados o censurados. Los autores encuentran que esta censura afecta desproporcionadamente a las zonas de baja población y rurales, lo que genera brechas de datos significativas (aproximadamente el 1.7% de los municipios no tienen conteos y >6.6% tienen >80% de teselas faltantes) e introduce un sesgo que los métodos estándar de suavizado o interpolación no logran abordar.

Metodología
El estudio emplea un marco bayesiano para abordar estos desafíos utilizando Filipinas como caso de estudio, aprovechando los datos del censo de 2020 y los conteos de usuarios de Facebook del 4 de mayo de 2020 (seleccionado para alinearse con las fechas de referencia del censo durante los confinamientos por COVID-19). El flujo de trabajo consta de tres etapas principales:

1. Imputación Bayesiana para Datos Censurados:
   Para recuperar los valores faltantes causados por la censura de privacidad, los autores desarrollan un modelo jerárquico de conteo de Poisson bayesiano. A diferencia de los métodos de imputación simples, este enfoque trata los valores faltantes como informativos en lugar de arbitrarios. El modelo utiliza la distribución completa de los conteos de usuarios a lo largo del tiempo (marzo–diciembre de 2020) para cada tesela. Distingue entre conteos observados y conteos censurados (aquellos por debajo del umbral de 10) utilizando una función de verosimilitud que incorpora la función de distribución acumulativa de Poisson para las observaciones censuradas. Las teselas con solo valores censurados se agrupan por su frecuencia de aparición en el conjunto de datos para inferir una distribución compartida, lo que permite la recuperación de conteos faltantes en áreas rurales.

2. Modelado Estadístico de las Proporciones de Usuarios:
   Utilizando los datos imputados, los autores modelan la proporción de usuarios de Facebook en cada municipio (Bayan) como una función de varios predictores:

• Grado de Urbanización (DUC): Categorizado como Rural, Periurbano y Urbano.
• Proporción de población en edad de trabajar (15–65 años).
• Intensidad de luz nocturna (radiancia satelital).
• (Nota: La densidad de uso de la red fue analizada pero excluida de los modelos finales debido a la alta colinealidad con otros predictores y la escasez de datos).

Se desarrollaron y compararon tres variantes de modelos:

• $M_{bin}$: Un modelo binomial jerárquico.
• $M_{betabin}$: Un modelo de regresión beta-binomial que introduce un parámetro de sobredispersión ($\rho$) para dar cuenta de la varianza que excede el supuesto binomial.
• $M_{full}$: El modelo completo que incorpora la sobredispersión de $M_{betabin}$ más un componente espacial explícito utilizando Procesos Gaussianos Aproximados en el Espacio de Hilbert (HSGP) para capturar las correlaciones espaciales entre áreas administrativas vecinas no explicadas por los predictores.

3. Validación:
   Los modelos fueron entrenados en el 80% de las áreas administrativas (estratificadas por DUC) y probados en el 20% restante. El desempeño se evaluó mediante el Error Absoluto de la Mediana (AEMed), el Error Cuadrático de la Media (SEMean) y el Puntaje de Probabilidad Continua (CRPS).

Resultos Clave

• Eficacia de la Imputación: El enfoque de imputación bayesiana recuperó con éxito la cobertura de datos para el 5.5% de los municipios rurales (323 Bayans) que anteriormente no tenían conteos de usuarios. Este proceso corrigió el sesgo donde las áreas de baja densidad estaban sistemáticamente subrepresentadas.
• Desempeño del Modelo: El modelo completo ($M_{full}$), que tiene en cuenta tanto la sobredispersión como la correlación espacial, demostró la mejor generalizabilidad.
  • Áreas Urbanas: Logró un AEMed de ~24% y un CRPS de ~18%.
  • Áreas Rurales: Logró un AEMed de ~39% y un CRPS de ~27%.
  • La inclusión de la sobredispersión y los componentes espaciales mejoró significativamente la calibración de los intervalos de credibilidad, particularmente para las áreas rurales donde la tasa de usuarios es baja y la varianza es alta.
• Relaciones de los Predictores: El análisis confirmó que una mayor urbanización, una mayor proporción de población en edad de trabajar y una mayor intensidad de luz nocturna están asociadas positivamente con las proporciones de usuarios de Facebook. Sin embargo, en las áreas rurales, una mayor densidad de población se asoció con menores proporciones de usuarios, lo que probablemente refleja disparidades socioeconómicas (pobreza) en los asentamientos rurales de alta densidad.
• Correlación Espacial: El componente espacial en $M_{full}$ absorbió la variabilidad previamente atribuida a los predictores, lo que resultó en una menor incertidumbre (desviación estándar) en las distribuciones predictivas posteriores.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco general para convertir señales de redes sociales sesgadas y censuradas por privacidad en estimaciones de población confiables y oportunas. Sus contribuciones primarias son:

1. Abordar el Sesgo de Privacidad: Modela explícitamente el mecanismo de censura de privacidad diferencial en lugar de ignorarlo, demostrando que no tenerlo en cuenta conduce a la exclusión sistemática de las poblaciones rurales.
2. Estimación Dinámica: Los modelos propuestos permiten actualizaciones regulares de las predicciones de población a medida que se dispone de nuevos datos de redes sociales (cada 8 horas), ofreciendo un complemento dinámico a las estimaciones estáticas basadas en el censo.
3. Utilidad Humanitaria: Al demostrar la capacidad de estimar existencias de población a resoluciones espaciales finas (nivel de municipio) en una región propensa a desastres como Filipinas, el trabajo ofrece una herramienta para una respuesta humanitaria más dirigida.
4. Rigor Metodológico: El estudio destaca la necesidad de considerar la sobredispersión y la correlación espacial para obtener estimaciones precisas e intervalos de incertidumbre adecuados, yendo más allá de las simples estimaciones puntuales.

Los autores mantienen una postura modesta, reconociendo que los modelos dependen de supuestos específicos (por ejemplo, la estacionariedad del comportamiento del usuario, la exactitud de los datos del censo como verdad de terreno) y que el enfoque es más aplicable a regiones con una adopción significativa de redes sociales. Señalan que, si bien los modelos actuales utilizan predictores específicos, el marco es extensible para incluir otras fuentes de datos en tiempo real a medida que estén disponibles.