A continuous-time Markov chain framework for population size estimation from multi-list data: accounting for absorbing lists and asymmetric interactions

Résumé Technique : Un Cadre de Chaîne de Markov en Temps Continu pour l'Estimation de la Taille de Population à partir de Données Multi-Listes

Énoncé du Problème
L'estimation de la taille de populations cachées ou difficiles d'accès est cruciale pour les politiques publiques, généralement réalisée par l'estimation par systèmes multiples (ESM) ou des méthodes de capture-recapture utilisant des données multi-listes. Les approches standard, principalement les modèles log-linéaires, reposent sur l'hypothèse que la population cible est fermée (sans entrées ni sorties) et que les individus sont homogènes quant à leur probabilité d'être enregistrés. Cependant, ces hypothèses sont fréquemment violées dans les contextes sociaux et épidémiologiques où les sources de données incluent des « listes absorbantes » — des registres qui capturent les individus alors qu'ils quittent la population, tels que les registres de décès ou les dossiers d'émigration.

Les auteurs soutiennent que ne pas tenir compte du caractère absorbant de telles listes viole les hypothèses de fermeture et d'homogénéité. Plus précisément, les individus enregistrés sur une liste absorbante ont une fenêtre d'opportunité réduite pour être capturés par d'autres listes, conduisant à une violation des hypothèses d'indépendance inhérentes à la modélisation log-linéaire standard. L'article postule que l'application de modèles log-linéaires standard à des données contenant des listes absorbantes entraîne des estimations de taille de population biaisées (spécifiquement surestimées). De plus, bien que les méthodes de capture-recapture écologiques traitent depuis longtemps des populations ouvertes, de tels modèles n'ont pas été efficacement adaptés au contexte de l'ESM en raison du manque d'informations temporelles dans les jeux de données administratifs.

Méthodologie
L'article propose un cadre de Chaîne de Markov en Temps Continu (CMTC) pour modéliser le processus de collecte de données pour les données multi-listes.

• Espace d'États et Transitions : Le cadre définit un espace d'états $L$ comme l'ensemble des parties de $k$ listes. Les individus transitent d'un état initial non observé ($\emptyset$) vers des états représentant les combinaisons de listes sur lesquelles ils ont été enregistrés. Le processus est modélisé comme une chaîne de Markov en temps continu avec une matrice génératrice $Q$.
• Paramétrisation : Les taux de transition sont définis par des paramètres de capture spécifiques aux listes ($\lambda_i$) et des paramètres d'interaction ($\mu_K$) représentant les dépendances entre les listes. Le modèle suppose que les temps de capture à une échelle opérationnelle suivent une distribution exponentielle.
• Listes Absorbantes : Pour gérer les listes absorbantes (par exemple, les registres de décès), le cadre modifie la matrice génératrice $Q$ en fixant les taux de transition à zéro pour tout état contenant la liste absorbante. Cela impose mathématiquement la contrainte qu'une fois qu'un individu entre dans un état absorbant, il ne peut plus transitionner vers aucun autre état, modélisant ainsi efficacement la « sortie » de la population observable.
• Listes Ordonnées et Asymétrie : Le cadre est étendu pour gérer les listes ordonnées (où l'enregistrement sur la liste $L_j$ nécessite un enregistrement préalable sur $L_i$) en réduisant l'espace d'états et en supprimant les paramètres redondants. Il permet également des interactions asymétriques générales (par exemple, des renvois) en estimant des paramètres d'interaction directionnels ($\mu_{ij}$ par rapport à $\mu_{ji}$).
• Estimation : Le modèle estime la taille totale de la population $N$ en maximisant une fonction de vraisemblance. Les auteurs utilisent une approximation de Poisson pour les comptes observés, ce qui produit des valeurs de log-vraisemblance et d'AIC directement comparables aux modèles log-linéaires standard. La sélection de modèle est effectuée à l'aide de stratégies de sélection ascendante, descendante et bidirectionnelle basées sur l'AIC.

Contributions Clés

1. Développement du Cadre : Les auteurs introduisent un cadre CMTC pour l'ESM qui est algébriquement équivalent au modèle log-linéaire standard lorsque les listes sont indépendantes, mais offre une plus grande flexibilité pour modéliser les dépendances et les dynamiques spécifiques de collecte de données.
2. Modélisation des Listes Absorbantes : L'article fournit un mécanisme spécifique pour modéliser les listes absorbantes dans le contexte de l'ESM, répondant à une limitation connue des modèles log-linéaires standard qui supposent une population fermée.
3. Preuves par Simulation : Grâce à des études de simulation, les auteurs démontrent que :
   • Les modèles CMTC et log-linéaires produisent des résultats similaires lorsque les listes sont indépendantes ou lorsque les dépendances sont standard.
   • En présence d'une liste absorbante, les modèles log-linéaires standard (même avec sélection de modèle) tendent à surestimer la taille de la population et à présenter une variance plus élevée.
   • Le modèle CMTC avec une contrainte de liste absorbante fournit des estimations plus précises et moins variables dans ces scénarios.
4. Application Empirique : Le cadre est appliqué à deux jeux de données réels :
   • Données sur les Accidents Vasculaires Cérébraux (Nord-Ouest de l'Angleterre, 1994-1995) : Un jeu de données incluant un registre de décès (liste absorbante). Le modèle CMTC a produit des estimations de population légèrement inférieures (777–815) par rapport aux modèles log-linéaires (997–1015), cohérent avec les résultats de simulation montrant que les modèles log-linéaires surestiment dans ce contexte.
   • Données sur la Consommation de Drogues (Ville de Londres, 2018-2019) : Un jeu de données impliquant des listes ordonnées (entrée vs sortie du traitement communautaire). Le cadre CMTC a modélisé avec succès la structure ordonnée, produisant des estimations (404–421) comparables, bien que légèrement supérieures, aux estimations log-linéaires, avec des intervalles de confiance englobant les estimations alternatives.

Résultats et Revendications de Signification
L'article affirme que la signification principale de ce travail réside dans sa capacité à prendre explicitement en compte les listes absorbantes et les interactions asymétriques dans l'ESM, ce que les modèles log-linéaires standard ne peuvent faire sans modifications ad hoc.

• Réduction du Biais : Les auteurs concluent que l'ignorance du caractère absorbant des listes (comme les registres de décès) conduit à une surestimation significative de la taille de la population. Le cadre CMTC corrige cela en modélisant le flux directionnel des individus hors de la population observable.
• Flexibilité : Le cadre est présenté comme un outil polyvalent capable de s'adapter à divers processus de collecte de données, y compris les listes ordonnées et les périodes d'observation variables, sans exiger les hypothèses de fermeture strictes de l'ESM traditionnelle.
• Utilité Pratique : Bien que le modèle CMTC ait un coût computationnel plus élevé (nécessitant l'inversion de matrices de taille $2^k \times 2^k$), les auteurs suggèrent que pour les jeux de données avec des listes absorbantes, ce compromis est nécessaire pour éviter le biais. Ils recommandent d'utiliser une sélection ascendante accélérée ou bidirectionnelle pour le modèle CMTC, ou alternativement, d'utiliser un modèle log-linéaire avec des interactions absorbantes « forcées » comme approximation moins coûteuse en calcul.

Les auteurs notent modestement que si le modèle CMTC offre de nouvelles perspectives pour l'analyse des données multi-listes, le test diagnostique des violations d'hypothèses de modèle reste un domaine pour la recherche future. Ils soulignent également que la capacité du cadre à identifier les listes absorbantes lorsque la nature des listes n'est pas divulguée fait actuellement l'objet d'une enquête.