How can the use of different modes of survey data collection introduce bias? A simple introduction to mode effects using directed acyclic graphs (DAGs)

Sintesi Tecnica: Bias nella Raccolta di Dati da Sondaggi Mixed-Mode

Problematica
Il documento affronta le sfide metodologiche introdotte dalla crescente adozione della raccolta dati mixed-mode (ad esempio, combinando interviste faccia a faccia, sondaggi telefonici e questionari basati sul web) in epidemiologia. Sebbene i design mixed-mode offrano vantaggi quali la riduzione dei costi e tassi di partecipazione più elevati, essi introducono due distinte fonti di bias:

1. Effetti di Modalità (Mode Effects): Errore sistematico di misurazione in cui la modalità del sondaggio influenza il modo in cui i rispondenti rispondono alle domande (ad esempio, il bias di desiderabilità sociale nelle modalità guidate dall'intervistatore rispetto al "satisficing" nelle modalità di auto-compilazione).
2. Selezione della Modalità (Mode Selection): Differenze nella composizione del campione in cui gli individui si auto-selezionano in modalità specifiche in base alle proprie caratteristiche (ad esempio, livello di istruzione, accesso a Internet o le stesse variabili di esposizione/esito).

Gli autori sostengono che, mentre gli effetti di modalità sono spesso riconosciuti, le conseguenze del tentativo di correggerli tramite standard aggiustamenti statistici (come il condizionamento sulla modalità) sono frequentemente sottovalutate. Nello specifico, il condizionamento ingenuo sulla modalità del sondaggio in presenza di selezione della modalità può indurre un bias da collider, potenzialmente distorcendo le relazioni esposizione-esito in modo più severo rispetto all'errore di misurazione originale.

Metodologia
Il documento impiega i Grafi Aciclici Diretti (DAGs) come strumento metodologico primario per visualizzare e analizzare le strutture causali sottostanti ai sondaggi mixed-mode.

• Notazione: Gli autori distinguono tra variabili latenti (vere) ($X$) e misure osservate ($X^*$) ottenute tramite sondaggio.
• Modellazione degli Scenari: Gli autori costruiscono una serie di DAG per rappresentare varie configurazioni causali:
  • Scenari in cui la modalità agisce esclusivamente come fonte di variazione della misurazione (un'esposizione concorrente o un confonditore delle variabili misurate).
  • Scenari in cui la modalità agisce come un collider perché l'esposizione latente e/o l'esito influenzano la scelta della modalità di sondaggio.
  • Scenari longitudinali complessi che coinvolgono misure ripetute e il passaggio tra modalità nel tempo.
• Valutazione delle Soluzioni: Il documento valuta teoricamente la validità di tre comuni approcci statistici — condizionamento, imputazione e analisi del bias quantitativo — sotto queste diverse strutture causali.

Contributi Chiave e Risultati
L'analisi produce diverse intuizioni critiche riguardanti l'interazione tra effetti di modalità e selezione della modalità:

1. Condizionamento sulla Modalità:

   • Scenario Valido: Se la modalità introduce variazione di misurazione ma non è influenzata dall'esposizione o dall'esito (ovvero, assenza di selezione della modalità), il condizionamento sulla modalità (ad esempio, tramite stratificazione o aggiustamento per covariate) rimuove efficacementamente il bias di misurazione.
   • Scenario Invalido: Se l'esposizione latente o l'esito influenzano la scelta della modalità (selezione della modalità), la modalità diventa un collider. Il condizionamento sulla modalità in questo contesto apre un percorso "back-door" tra l'esposizione e l'esito, introducendo un bias da collider. Il documento nota che questo bias può dominare la riduzione dell'errore di misurazione, portando a conseguenze nette negative.

2. Approcci di Imputazione:

   • Il documento critica le strategie di imputazione multipla che trattano i dati provenienti da modalità non di riferimento come "dati mancanti". Questo approccio condiziona implicitamente sulla modalità (scartando i dati non di riferimento), violando l'assunzione di "Missing At Random" (MAR) se la selezione della modalità è guidata dalle variabili di interesse. Ciò conduce agli stessi problemi di bias da collider del condizionamento diretto.

3. Complessità Longitudinale:

   • In contesti longitudinali, la selezione della modalità può verificarsi in molteplici punti temporali. Il passaggio tra modalità tra le ondate può indurre cambiamenti apparenti nelle variabili che sono in realtà artefatti di differenze di misurazione. Tentare di correggere questo fenomeno condizionando sulle modalità tempo-varianti rischia di aprire complessi percorsi da collider, specialmente se esistono determinanti non misurati della selezione della modalità (ad esempio, la posizione socio-economica).

4. Analisi del Bias Quantitativo (QBA):

   • Gli autori identificano la QBA come un'alternativa più robusta quando è presente la selezione della modalità. A differenza del condizionamento o dell'imputazione, la QBA (inclusi calibrazione e analisi di sensibilità) non richiede l'assunzione che la selezione della modalità sia assente o completamente controllata. Essa permette ai ricercatori di stimare l'entità del bias utilizzando dati di validazione esterna o dimensioni di effetto ipotizzate, senza fare assunzioni forti e spesso non testabili sul meccanismo di selezione.

Significatività e Rivendicazioni
Il documento si pone come una "semplice introduzione" a queste sfide, con l'obiettivo di colmare il divario tra la letteratura sulla metodologia dei sondaggi e la pratica epidemiologica. Le sue rivendicazioni principali sono:

• Sottovalutazione del Rischio: Il rischio di introdurre bias da collider attraverso il condizionamento ingenuo sulla modalità del sondaggio è probabilmente sottovalutato in epidemiologia, specialmente man mano che i design mixed-mode diventano standard.
• Dipendenza dal Contesto: Non esiste una soluzione universale. La gestione appropriata della modalità dipende interamente dalla specifica struttura causale (ovvero, se esiste una selezione della modalità e quale sia la sua relazione con l'esposizione/esito).
• Raccomandazione per il Pensiero Causale: I ricercatori dovrebbero utilizzare i DAG per mappare esplicitamente le relazioni causali tra esposizione, esito e modalità di sondaggio prima di selezionare una strategia analitica.
• Cambio di Best Practice: Quando si sospetta una significativa selezione della modalità, i metodi di aggiustamento standard dovrebbero essere evitati. Al contrario, i ricercatori dovrebbero dare priorità alle analisi del bias quantitativo per calibrare le stime o valutare la sensibilità dei loro risultati rispetto ai potenziali effetti di modalità, piuttosto che affidarsi al condizionamento o all'imputazione che possono introdurre nuovi bias.

Gli autori concludono che, sebbene prevenire gli effetti di modalità attraverso il design sia l'ideale, le soluzioni statistiche devono essere scelte con una rigorosa comprensione dei meccanismi di selezione sottostanti per evitare di compromettere la validità interna degli studi epidemiologici basati su sondaggi.