📊 statistics

Correcting for Nonignorable Nonresponse Bias in Ordinal Observational Survey Data

Este artículo presenta un estimador de máxima verosimilitud que extiende el marco de respuesta de propensión variable a resultados ordinales, utilizando indicadores de propensión de respuesta para corregir el sesgo de no respuesta no ignorable en encuestas políticas, al tiempo que integra covariables observables y pesos poblacionales.

Autores originales: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

Publicado 2026-08-11

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

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

El misterio de la gran encuesta: Cuando las personas que no aparecen son las más importantes

Imagine que está tratando de adivinar la estatura promedio de todos en su ciudad. Se para en la plaza del pueblo y le pregunta a la gente que pasa: "¿Cuánto mide?". La mayoría de las personas que se detienen a responder tienen una estatura promedio. Pero las personas muy altas están demasiado ocupadas estirándose para alcanzar el estante superior, y las personas muy bajas se esconden bajo paraguas. Si solo cuenta a las personas que se detuvieron a hablar, su estimación será errónea. Este es el problema del sesgo de no respuesta en las encuestas. En el mundo de la ciencia política y la investigación social, los científicos confían en las encuestas para entender lo que la gente piensa sobre todo, desde la economía hasta su felicidad. Pero a medida que más personas ignoran las llamadas de las encuestas o saltan los formularios en línea, los investigadores se preocupan porque las personas que sí responden son diferentes de las que no lo hacen.

Normalmente, los científicos intentan solucionar esto mediante la "ponderación" de las respuestas. Si hay menos jóvenes en la encuesta que en el mundo real, simplemente cuentan las respuestas de los jóvenes con más peso para equilibrar la balanza. Esto funciona de maravilla si la única diferencia entre los que hablan y la multitud silenciosa es su edad o género. Pero, ¿y si el silencio mismo es la clave? ¿Qué tal si las personas que se niegan a responder están en silencio específicamente porque están descontentas, enojadas o insatisfechas? Esto se llama no respuesta no ignorable. Es como si las personas silenciosas en la plaza del pueblo no estuvieran solo ocupadas; están escondidas porque se sienten avergonzadas por su estatura. Si no tiene en cuenta por qué se están escondiendo, sus cálculos estarán equivocados, sin importar cuántos jóvenes intente contar. Este es el complejo rompecabezas que el artículo de Lafférs, Mintal y Sutóris busca resolver.

El artículo: Capturando a la multitud silenciosa con un "Medidor de Cooperación"

Los autores de este artículo, publicado en 2026, han construido una nueva herramienta matemática para corregir las encuestas donde las personas que no responden son diferentes de las que sí lo hacen, específicamente cuando las respuestas se encuentran en una escala (como "Muy feliz" a "Muy infeliz") en lugar de solo "Sí" o "No".

Piense en una encuesta estándar como un juego de "Adivina la puntuación". Normalmente, si alguien no se presenta al juego, el árbitro simplemente lo ignora. Pero este artículo sugiere que el árbitro puede observar un "Medidor de Cooperación" para adivinar qué puntuación habrían obtenido los jugadores ausentes. En su método, utilizan una pregunta realizada después de la entrevista, como "¿Cuánto disfrutó esta charla?" o "¿Qué tan cooperativo fue?". Esto es un proxy de propensión de respuesta. Es una pista dejada por las personas que sí hablaron.

Los autores se dieron cuenta de que si las personas que odiaron la entrevista (baja cooperación) también tendían a dar puntuaciones bajas en satisfacción con la vida, entonces las personas que no respondieron la encuesta en absoluto (cero cooperación) probablemente dieron puntuaciones aún más bajas. Crearon una fórmula que conecta estos puntos. Es como mirar una fila de personas esperando para subir a un juego. Si las personas al frente de la fila (que amaron el juego) están sonriendo, y las personas al final (que apenas toleraron el juego) están frunciendo el ceño, puede adivinar que las personas que nunca se presentaron a la fila en absoluto probablemente estaban frunciendo el ceño con más fuerza.

Lo que encontraron: No todas las encuestas necesitan un rescate

El equipo probó su nueva herramienta utilizando datos del Estudio Nacional de Elecciones Estadounidenses (ANES) de 2024, una encuesta masiva de unas 3,000 personas. Simularon un escenario donde aproximadamente el 65% de las personas no respondieron la encuesta (un número muy realista para las encuestas modernas). Luego utilizaron su método del "Medidor de Cooperación" para adivinar qué habrían dicho ese 65% silencioso.

Los resultados fueron una mezcla de "Vaya, eso lo cambió todo" y "Hmm, no tanto".

El gran cambio (Satisfacción con la vida): Cuando analizaron qué tan satisfechas estaban las personas con sus vidas, la corrección marcó una gran diferencia. La encuesta sin ajustar sugería que la mayoría de las personas estaban "Muy" o "Extremadamente" satisfechas. Pero después de que los autores tomaran en cuenta a la multitud silenciosa e infeliz, la imagen cambió. Los datos corregidos mostraron que una parte mucho mayor de la población estaba en realidad "Ligeramente satisfecha" o "Nada satisfecha en absoluto". Las matemáticas mostraron un fuerte vínculo (una correlación de aproximadamente 0.47) entre odiar la entrevista y estar infeliz con la vida. Resulta que, las personas que estaban demasiado de mal humor para hablar eran las que bajaban el promedio de la puntuación de felicidad.
El pequeño cambio (La economía): Cuando analizaron si la gente pensaba que la economía nacional estaba mejorando o empeorando, la corrección apenas movió la aguja. El vínculo entre odiar la entrevista y pensar que la economía era mala fue muy débil (una correlcción de solo 0.14). Independientemente de si incluían a la multitud silenciosa o no, los resultados de la encuesta se mantuvieron aproximadamente iguales.
La zona de "Sin cambios": Para preguntas sobre la pena de muerte, el aborto o la confianza en los medios, la corrección no hizo casi nada. La multitud silenciosa no parecía tener una opinión diferente a la de la multitud comunicativa sobre estos temas.

La conclusión: Un solo tamaño no sirve para todos

La principal lección de este artículo es que corregir el sesgo de las encuestas no es una varita mágica que funciona para cada pregunta. Los autores demuestran que hay que revisar cada tema individualmente. Para algunas cosas, como qué tan felices son las personas con sus vidas, las personas que se niegan a hablar están ocultando una realidad muy diferente, e ignorarlas ofrece una imagen falsa. Para otras cosas, como las opiniones sobre la economía o la pena de muerte, las personas que hablan y las que no, parecen pensar prácticamente lo mismo.

Los autores no solo lo supusieron; realizaron simulaciones por computadora para demostrar que su matemática funciona mejor que los métodos antiguos, y luego aplicaron esto a datos reales. Encontraron que, si bien su nuevo método es poderoso, es más útil cuando el "Medidor de Cooperación" (como cuánto le gustó la entrevista a alguien) varía mucho y señala claramente quién está dispuesto a hablar. Si el medidor no se mueve, el método no puede adivinar qué están pensando las personas silenciosas.

En resumen, este artículo ofrece a los investigadores una nueva y práctica forma de mirar detrás de la cortina del silencio de las encuestas. Nos dice que, a veces, las personas que dicen "Sin comentarios" son las voces más importantes de todas, pero solo si sabemos escuchar las pistas que dejaron atrás.

Resumen Técnico: Corrección del Sesgo de No Respuesta No Ignorable en Datos de Encuestas Observacionales Ordinales

Formulación del Problema
La investigación de encuestas depende frecuentemente de ajustes de ponderación (por ejemplo, post-estratificación, raking) para alinear a los encuestados con la demografía de la población. Sin embargo, estos métodos fallan cuando la no respuesta es "no ignorable", es decir, cuando la probabilidad de responder depende sistemáticamente del propio resultado no observado. En tales casos, los ajustes estándar introducen sesgo incluso en las estadísticas descriptivas básicas. Mientras que el marco de Propensión de Respuesta Variable (VRP, por sus siglas en inglés) propuesto por Peress (2010) aborda esto para resultados binarios mediante el aprovechamiento de indicadores de propensión de respuesta (por ejemplo, la cooperatividad codificada por el entrevistador) para extrapolar hacia los no respondedores, este no se adapta a resultados ordinales. Muchas medidas clave de la ciencia política, como la confianza, la satisfacción y las evaluaciones económicas, utilizan escalas ordinales. Colapsar estas a categorías binarias descarta información y corre el riesgo de alterar conclusiones sustantivas, particularmente si los mecanismos de selección varían a través de la escala de respuesta.

Metodología
Los autores generalizan el marco VRP para manejar resultados ordinales ( $y_n \in \{1, \dots, Y\}$ ) utilizando un modelo probit ordenado de variable latente correlacionada. El método integra tres componentes principales:

Modelo de Resultado: Un modelo probit ordenado donde el resultado latente $y^*_n$ es una función de covariables $x_n$ y un término de error $\epsilon_n$ .
Modelo de Respuesta: Un modelo probit ordenado para un indicador de propensión de respuesta $r_n$ (observado solo para los encuestados), donde la respuesta latente $r^*_n$ es una función de covariables $z_n$ y un término de error $\eta_n$ . El indicador es ordenado, donde valores más bajos indican una mayor propensión a responder. La no respuesta de la unidad se modela como una categoría adicional ( $R+1$ ) en esta ecuación.
Mecanismo de Selección: El modelo asume una distribución normal conjunta para los términos de error $(\epsilon_n, \eta_n)$ con varianzas unitarias y un parámetro de correlación $\rho$ . Este parámetro $\rho$ captura la selección no ignorable sobre el resultado no observado tras condicionar por las covariables.

La función de log-verosimilitud se construye para dar cuenta de los encuestados observados (donde tanto $y_n$ como $r_n$ son conocidos) y la masa de los no respondedores (determinada por la tasa de no respuesta conocida y las participaciones de la población por estratos). Los parámetros $(\alpha, \beta, \lambda, \theta, \rho)$ se estiman mediante máxima verosimilitud. Los errores estándar se derivan mediante el método delta con un Jacobiano numérico.

Identificación
La identificación del parámetro de correlación de selección $\rho$ se basa en la variación sistemática en la distribución del resultado $y_n$ a través de las categorías del indicador $r_n$ entre los encuestados. A diferencia de los modelos tradicionales de selección de Heckman, este enfoque no requiere estrictamente una restricción de exclusión (una variable en $z_n$ excluida de la ecuación del resultado) porque la estructura de umbrales del probit ordenado, combinada con la normalización de la varianza unitaria, fija $\rho$ . Sin embargo, los autores señalan que incluir un predictor en la ecuación de respuesta que afecte la propensión de respuesta pero que sea plausiblemente excluido del resultado puede agudizar la identificación, particularmente en tasas de no respuesta extremas.

Resultados Empíricos
El método se aplica a la entrega preliminar de la Encuesta Nacional Electoral Americana (ANES) de 2024, utilizando una suposición de tasa de no respuesta del 65%. El indicador de propensión de respuesta utilizado es la autoevaluación del encuestado sobre la entrevista (7 niveles). Las covariables incluyen el estado civil, el género del cónyuge, la raza y la educación, definiendo 60 estratos.

El análisis revela que la magnitud de la corrección es específica para cada resultado:

Satisfacción con la Vida: Se detectó un fuerte sesgo de no respuesta no ignorable ( $\hat{\rho} \approx 0.47$ ). Corregir esto desplaza significativamente la distribución estimada de la población, asignando una mayor proporción a las categorías de "Ligeramente satisfecho" o "No satisfecho en absoluto" en comparación con las estimaciones no ajustadas. Esto concuerda con hallazgos previos de que los datos de bienestar son sensibles a la dificultad del encuestado.
Evaluaciones Económicas Retrospectivas: El sesgo es modesto ( $\hat{\rho} \approx 0.14$ ), lo que resulta en cambios pequeños en la distribución hacia "empeorado".
Otros Resultados: Para medidas como la confianza en los medios, la importancia del aborto y la pena de muerte, el $\hat{\rho}$ estimado es estadísticamente indistinguible de cero, y las distribuciones corregidas coinciden casi exactamente con las distribuciones no ajustadas ponderadas por la encuesta.

Los autores proporcionan una rutina en R que implementa este estimador, la cual maneja tanto resultados ordinales como binarios y se ejecuta eficientemente en hardware estándar (aproximadamente 10 minutos para la estimación completa de la ANES).

Significancia y Reivindicaciones
El artículo afirma proporcionar una herramienta práctica y computacionalmente ligera para la inferencia descriptiva sensible a la sensibilidad en encuestas observacionales. Sus principales contribuciones son:

Generalización: Extender el marco VRP de resultados binarios a ordinales, preservando la información inherente a las escalas de múltiples categorías.
Practicidad: Ofrecer un estimador de máxima verosimilitud que integra indicadores de propensión de respuesta y post-estratificación sin requerir instrumentos aleatorizados o diseños de llamadas de seguimiento (callback) de múltiples etapas.
Matiz Empírico: Demostrar que el valor de corregir la no respuesta no ignorable no es uniforme; es sustantivamente significativo para ciertas medidas de actitud (como la satisfacción con la vida) pero insignificante para otras.

Los autores mantienen una postura modesta, reconociendo que las conclusiones dependen de la estructura latente asumida y de la credibilidad del indicador de propensión de respuesta. Posicionan el método no como una corrección definitiva, sino como un mecanismo transparente para hacer explícita la extrapolación de los encuestados a los no respondedores, permitiendo a los investigadores evaluar la sensibilidad de sus estimaciones de encuesta ante la selección no ignorable.

El misterio de la gran encuesta: Cuando las personas que no aparecen son las más importantes

El artículo: Capturando a la multitud silenciosa con un "Medidor de Cooperación"

Lo que encontraron: No todas las encuestas necesitan un rescate

La conclusión: Un solo tamaño no sirve para todos

Más como este