Inference from multivariate differential recruitment in respondent-driven sampling data

Aquí presento un resumen técnico detallado del artículo "Inference from Multivariate Differential Recruitment in Respondent-Driven Sampling Data", estructurado según los puntos solicitados.

1. Planteamiento del Problema

El Muestreo Impulsado por Respondentes (RDS) es un diseño de muestreo en cadena utilizado para acceder a poblaciones ocultas o de difícil acceso (como minorías étnicas, usuarios de drogas o migrantes) donde no existen marcos de muestreo convencionales. En RDS, los participantes reclutan a sus pares.

El problema central abordado en este trabajo es la valididad de la inferencia estadística bajo las suposiciones de reclutamiento.

• Suposición Tradicional: La literatura temprana asume un reclutamiento aleatorio, donde cada participante selecciona a sus contactos con probabilidad uniforme.
• Realidad (Reclutamiento Diferencial - DR): En la práctica, los participantes suelen reclutar basándose en preferencias personales (ej. género, edad, estado de salud), lo que introduce sesgos.
• Limitación de Métodos Actuales: Los métodos recientes que corrigen el "Reclutamiento Diferencial" (DR) solo modelan la preferencia de reclutamiento en función de una única variable categórica a la vez. Sin embargo, en la realidad, el reclutamiento está influenciado simultáneamente por múltiples factores (variables categóricas y continuas, como la edad, el género, la diferencia de edad entre reclutador y reclutado, o la naturaleza de la relación). Ignorar esta multidimensionalidad genera estimaciones de prevalencia sesgadas.

2. Metodología Propuesta: Reclutamiento Diferencial Multivariante (MDR)

Los autores proponen un nuevo marco teórico y metodológico llamado Reclutamiento Diferencial Multivariante (MDR) para corregir estos sesgos.

A. Modelado del Proceso de Muestreo

• Se modela el proceso de RDS como una Cadena de Markov (MC) sobre el espacio de estados de la red social.
• Las probabilidades de transición ($P_{ij}$) no son uniformes, sino que dependen de un vector de covariables $x_{ij}$ que incluye:
  • Atributos del nodo reclutado ($r_j$): ej. edad, género, estado de infección.
  • Atributos simétricos del vínculo ($w_{ij}$): ej. diferencia de edad absoluta, frecuencia de contacto.
• La probabilidad de transición se define mediante una función exponencial ponderada por coeficientes desconocidos $\beta$:
  $$P_{ij}^{MDR} = \frac{y_{ij} e^{x_{ij}^\top \beta}}{\sum_{l=1}^N y_{il} e^{x_{il}^\top \beta}}$$
  Donde $y_{ij}$ indica si existe un vínculo entre $i$ y $j$.

B. Distribución Estacionaria y Estimación de Pesos

• Se demuestra teóricamente que esta Cadena de Markov admite una distribución estacionaria única ($\pi_i^{MDR}$), que depende de los atributos del nodo y de sus conexiones, ponderados por $\beta$.
• Esta distribución estacionaria se utiliza para estimar las probabilidades de muestreo ($\hat{p}_i$).
• Los parámetros $\beta$ se estiman mediante Máxima Verosimilitud (MLE) utilizando la estructura de reclutamiento observada en la muestra.

C. Estimadores de Prevalencia Extendidos

Se extienden dos estimadores existentes al marco MDR:

1. Estimador $\hat{\mu}_{MDR}^{II}$: Una extensión del estimador de Volz-Heckathorn (tipo II), que utiliza los pesos de muestreo derivados de la distribución estacionaria MDR en un estimador tipo Hájek.
2. Estimador $\hat{\mu}_{MDR}^{ego}$: Una extensión del estimador de Lu (tipo ego), que incorpora la información de la composición local de la red ajustada por las probabilidades MDR.

D. Estimación de la Incertidumbre (Bootstrap)

Para estimar la varianza, los autores modifican el método de Bootstrap de Vecindad (Neighborhood Bootstrap - NB) propuesto por Yauck et al. (2022).

• Modificación: Se ajusta el algoritmo para garantizar que el tamaño de la muestra en cada réplica bootstrap sea constante e igual al tamaño original de la muestra ($n$), resolviendo el problema de tamaños variables en el NB original. Esto es crucial para la comparabilidad de los intervalos de confianza.

3. Contribuciones Clave

1. Marco Multivariante: Es la primera propuesta que integra simultáneamente múltiples covariables (continuas y categóricas) en el modelo de reclutamiento de RDS, superando la limitación de los modelos univariados.
2. Fundamentación Teórica: Derivación rigurosa de la distribución estacionaria de la Cadena de Markov bajo el modelo MDR y demostración de su unicidad bajo condiciones específicas.
3. Nuevos Estimadores: Desarrollo de los estimadores $\hat{\mu}_{MDR}^{II}$ y $\hat{\mu}_{MDR}^{ego}$ que corrigen explícitamente el sesgo por reclutamiento diferencial multivariado.
4. Mejora en la Estimación de Varianza: Propuesta de un algoritmo de bootstrap modificado que mantiene el tamaño de muestra fijo, mejorando la estabilidad de los intervalos de confianza.

4. Resultados

Los autores evaluaron el método mediante estudios de simulación y una aplicación empírica.

A. Estudio de Simulación

Se generaron 15 redes sociales con diferentes niveles de homofilia (tendencia a conectar con similares) y fuerza de MDR (ninguna, moderada, alta).

• Sesgo: En ausencia de MDR, todos los estimadores son aproximadamente insesgados. Sin embargo, ante la presencia de MDR, los estimadores tradicionales (como Volz-Heckathorn) y los de DR univariado presentan un sesgo significativo. Los nuevos estimadores $\hat{\mu}_{MDR}^{ego}$ y $\hat{\mu}_{MDR}^{II}$ mantienen un sesgo muy bajo incluso en redes homofílicas con alto MDR.
• Error Cuadrático Medio (RMSE): El estimador $\hat{\mu}_{MDR}^{ego}$ demostró consistentemente el menor RMSE en la mayoría de los escenarios, especialmente cuando coexisten homofilia y MDR.
• Cobertura de Intervalos de Confianza: Los estimadores MDR lograron tasas de cobertura cercanas al 95% nominal. El estimador $\hat{\mu}_{MDR}^{II}$ tendió a ser conservador (cobertura > 95%) en ciertos escenarios, mientras que $\hat{\mu}_{MDR}^{ego}$ fue más preciso, aunque a veces subestimó ligeramente la varianza en escenarios complejos.

B. Aplicación Empírica

Se aplicó el método a un estudio con migrantes venezolanos en Santiago, Chile, para estimar la proporción de hombres en la población.

• Datos Originales: Con MDR moderado, las estimaciones de los diferentes métodos fueron similares, pero los estimadores tipo "ego" ($\hat{\mu}_{MDR}^{ego}$ y $\hat{\mu}_{Lu}^{ego}$) mostraron la menor varianza.
• Análisis de Sensibilidad: Se creó un conjunto de datos modificado con un MDR fuerte (sesgo de reclutamiento exagerado hacia hombres).
  • Los estimadores tradicionales y los de DR univariado mostraron cambios drásticos y sesgos significativos.
  • El estimador $\hat{\mu}_{MDR}^{ego}$ fue el más robusto, manteniendo un error estándar bajo y ajustando la estimación de prevalencia de manera coherente con el nuevo sesgo introducido.

5. Significado e Implicaciones

• Reducción de Errores No Muestrales: El MDR permite reducir el sesgo sistemático en la inferencia de RDS, que a menudo es mayor que el error muestral en poblaciones ocultas.
• Flexibilidad: El modelo permite incorporar cualquier variable disponible sobre los contactos (alters), no limitándose a una sola categoría, lo que se alinea mejor con la complejidad de las redes sociales reales.
• Recomendación Práctica: El estudio sugiere que en futuros estudios RDS es crucial recolectar datos detallados sobre los contactos de los participantes (edad, género, relación) para poder modelar y corregir el reclutamiento diferencial.
• Limitación Futura: El método asume que las covariables de los contactos se conocen o se pueden imputar con precisión. La incertidumbre derivada de la imputación de datos faltantes a nivel de contacto no está totalmente capturada en el marco actual, lo que representa una dirección para investigación futura.

En conclusión, el artículo presenta un avance metodológico significativo que mejora la precisión y fiabilidad de las estimaciones de prevalencia en poblaciones de difícil acceso, proporcionando una herramienta robusta para la epidemiología y las ciencias sociales.