Improving Survey Inference in Two-phase Designs Using Bayesian Machine Learning

Titolo

Miglioramento dell'inferenza nei sondaggi a due fasi utilizzando l'apprendimento automatico bayesiano.

1. Il Problema

Il disegno di campionamento a due fasi è una strategia economica ampiamente utilizzata nella ricerca sanitaria pubblica. In questo schema:

• Fase I: Viene selezionato un campione da una popolazione finita utilizzando un campionamento probabilistico complesso (es. stratificato a più stadi), raccogliendo dati facili da ottenere e poco costosi.
• Fase II: Un sottocampione della Fase I viene selezionato per raccogliere misure difficili da ottenere o costose (es. interviste cliniche, test di laboratorio).

Il problema principale nell'analisi della Fase II è che le distribuzioni del sottocampione possono differire significativamente da quelle della popolazione target, introducendo bias. L'approccio tradizionale per correggere questo bias è l'assegnazione di pesi (weighting), che combina i pesi della Fase I con aggiustamenti per la selezione e il non-risposta della Fase II. Tuttavia, questo metodo presenta limiti critici:

1. Instabilità: L'aggiunta di aggiustamenti ai pesi già variabili della Fase I può generare pesi estremamente variabili, portando a stime instabili.
2. Efficienza ridotta: I pesi si concentrano sulla correzione delle differenze distributive, ignorando spesso le relazioni predittive tra le variabili ausiliarie della Fase I e l'esito di interesse.
3. Sensibilità alla specificazione del modello: Se il modello di propensione al non-risposta è errato, le stime risultano distorte.

2. Metodologia Proposta

Gli autori propongono un approccio alternativo basato sull'Imputazione Multipla (MI) utilizzando modelli ad alberi bayesiani, specificamente i Bayesian Additive Regression Trees (BART) e la loro estensione con intercetta casuale (rBART).

L'idea centrale è trattare i dati mancanti nella Fase I (per le variabili misurate solo nella Fase II) come un problema di dati mancanti, piuttosto che come un problema di aggiustamento dei pesi.

Componenti chiave del metodo:

• Modelli di Imputazione: Vengono utilizzati modelli BART (e rBART per tenere conto della correlazione intra-cluster) per imputare i valori mancanti degli esiti nella Fase I.
• Inclusione delle Caratteristiche del Disegno: A differenza degli approcci standard, il modello BART incorpora esplicitamente le variabili di disegno del sondaggio complesso (strati, cluster) e i pesi del campione (pesi della Fase I e aggiustamenti di non-risposta) come covariate nel modello di imputazione.
• Stima della Variance: Per garantire un'inferenza statistica valida in un contesto a due fasi, gli autori applicano le regole di Rubin per l'imputazione multipla. La varianza totale è calcolata combinando la varianza intra-imputazione (ottenuta tramite linearizzazione di Taylor per account per il disegno complesso della Fase I) e la varianza inter-imputazione.
• Gestione di Variabili ad Alta Dimensionalità: BART è scelto per la sua capacità di gestire un gran numero di predittori, catturare effetti non lineari e interazioni complesse senza necessità di selezione manuale delle variabili, riducendo il rischio di specificazione errata del modello.

3. Contributi Chiave

1. Estensione del Framework BART: Il lavoro estende l'applicazione di BART (precedentemente usata per campioni a fase singola) a disegni complessi a due fasi con campionamento stratificato a più stadi.
2. Integrazione del Disegno Complesso: Dimostra come incorporare strati, cluster e pesi di sondaggio direttamente nei modelli di imputazione basati su alberi per garantire inferenze valide.
3. Validazione della Variance: Conferma che l'uso delle regole di Rubin per la stima della varianza fornisce inferenze statistiche corrette per le medie di popolazione in questo contesto, superando i limiti dell'uso diretto delle distribuzioni posteriori che tendono a sottostimare l'incertezza.
4. Applicazione Reale: Applicazione pratica su un sottocampione di un sondaggio telefonico in Uganda, dimostrando l'utilità del metodo in scenari reali con dati osservazionali complessi.

4. Risultati

Studio di Simulazione:
Sono stati confrontati i metodi basati su imputazione (MI-BART, MI-rBART) con metodi di pesatura tradizionali (WT-LGM, WT-CHAID, WT-BART, WT-rBART) in diverse scenari (variabili ausiliarie a bassa/alta dimensionalità, violazioni delle assunzioni di sovrapposizione).

• Bias e RMSE: I metodi basati su MI hanno mostrato sistematicamente bias più bassi e errore quadratico medio (RMSE) inferiore rispetto ai metodi di pesatura, specialmente quando il modello di propensione era errato o quando le variabili ausiliarie erano ad alta dimensionalità.
• Intervalli di Confidenza: I metodi MI hanno prodotto intervalli di confidenza al 95% più stretti rispetto alle controparti basate su pesi, mantenendo tassi di copertura vicini al livello nominale (tranne in scenari estremi di violazione dell'assunzione di sovrapposizione).
• Robustezza: I modelli basati su alberi (BART/rBART) hanno superato i modelli lineari (LGM) e CHAID nella pesatura, dimostrando maggiore robustezza alla specificazione errata del modello.

Applicazione in Uganda (Sondaggio su Vaccinazione COVID-19):
Utilizzando dati dal sondaggio UPHIA2020 e un sottocampione telefonico:

• Stime di Copertura: Le stime di copertura vaccinale ottenute con MI-BART e MI-rBART (circa 53-56%) erano più vicine ai dati di riferimento del CDC rispetto alle stime pesate (che tendevano a sovrastimare, ~60-61%), suggerendo un bias verso l'alto nei metodi di pesatura tradizionali.
• Validazione: Un'analisi di validazione su una variabile secondaria ("visita a un'unità sanitaria") ha confermato che i metodi MI producevano stime più vicine al benchmark della popolazione completa rispetto ai metodi pesati, con intervalli di confidenza più precisi.
• Importanza delle Variabili: L'analisi ha evidenziato che le variabili di disegno (regione, cluster) sono predittori fondamentali per l'esito, giustificando la loro inclusione esplicita nel modello.

5. Significato e Implicazioni

Questo studio offre una soluzione robusta e più efficiente per l'analisi di dati derivanti da sondaggi a due fasi complessi.

• Efficienza Economica: Permette di sfruttare appieno i dati ricchi raccolti nella Fase I per migliorare le stime della Fase II senza dover raccogliere dati costosi su tutta la popolazione.
• Superamento dei Limiti della Ponderazione: Dimostra che l'imputazione basata su machine learning bayesiano può mitigare i problemi di instabilità dei pesi e di specificazione errata del modello, fornendo stime più accurate e precise.
• Generalizzabilità: Il framework proposto può essere esteso oltre i sondaggi, applicandosi a trial clinici e studi epidemiologici per generalizzare i risultati da campioni parziali a popolazioni target più ampie.

In sintesi, l'approccio proposto combina la flessibilità dei modelli bayesiani ad alberi con la rigorosa teoria del campionamento, offrendo un metodo superiore per l'inferenza statistica in contesti di dati complessi e parzialmente osservati.