Coarsened data in small area estimation: a Bayesian two-part model for mapping smoking behaviour

Sintesi Tecnica: Dati Approssimati nella Stima in Piccole Aree: Un Modello Bayesiano a Due Parti per la Mappatura del Comportamento Fumatoriale

Problematica
Il monitoraggio della salute pubblica si affida frequentemente a dati derivanti da indagini basate sull'autodichiarazione, i quali sono intrinsecamente soggetti a errori di misurazione come il bias di memoria (recall bias), l'arrotondamento e la preferenza sistematica per certe cifre (heaping). Questi meccanismi di approssimazione riducono la risoluzione dei dati e possono introdurre un significativo bias nelle stime a livello di dominio. Inoltre, quando si stimano indicatori per piccole aree geografiche o specifici sottogruppi socio-demografici, le dimensioni del campione sono spesso insufficienti per una stima diretta affidabile. Questo articolo affronta la duplice sfida delle dimensioni limitate del campione e dell'approssimazione dei dati nel contesto della stima degli indicatori del fumo (prevalenza, intensità e proporzione di fumatori accaniti) attraverso le regioni italiane e i gruppi di età utilizzando l'European Health Interview Survey (EHIS) 2019. I metodi standard di Small Area Estimation (SAE), pur essendo efficaci nel prestare forza tra i domini, trattano tipicamente i valori riportati come privi di errore, fallendo così nel rendere conto della distorsione causata dall'heaping e dal top-coding (ad esempio, raggruppando tutti i valori superiori a 20 sigarette).

Metodologia
Gli autori propongono un framework SAE bayesiano a livello di unità, progettato specificamente per risposte semi-continue e approssimate. Il modello è strutturato in due parti distinte:

1. Parte Uno (Prevalenza): Un modello a effetti misti logistico stima la probabilità che un individuo sia un fumatore quotidiano ($W$). Questa componente utilizza una regressiona logistica standard con effetti casuali specifici per il dominio per gestire la natura binaria dei dati.
2. Parte Due (Intensità): Un modello di miscela flessibile stima il consumo medio giornaliero di sigarette ($Z$) tra i fumatori quotidiani.
   • Struttura Latente: Il modello ipotizza che il conteggio intero osservato ($Z^*$) sia una realizzazione approssimata di una variabile continua latente $Z$.
   • Meccanismo di Approssimazione: Viene introdotto un esplicito meccanismo di variabile latente $G$ per modellare il comportamento di heaping. $G$ rappresenta il regime di arrotondamento (intero più vicino, multiplo di 5 più vicino o multiplo di 10 più vicino). La probabilità di $G$ dipende dall'intensità latente $Z$ tramite un modello a proporzioni di ordine (proportional odds), consentendo al meccanismo di approssimazione di essere non-ignorabile (ovvero, dipendente dal valore di $Z$).
   • Assunzione Distributiva: L'intensità latente $Z$ è modellata utilizzando una miscela lognormale a due componenti (LNM). Questo approccio "Mixture of Experts" permette intercette specifiche per componente ed effetti delle covariate, catturando l'eterogeneità nei modelli di consumo che una singola distribuzione lognormale non può catturare.
   • Top-Coding: Il modello tiene esplicitamente conto del troncamento a destra (right-censoring) dove i valori $\ge 20$ sono registrati come una singola categoria (21 nel sondaggio).
   • Inferenza: Il modello è implementato tramite Hamiltonian Monte Carlo (HMC) tramite Stan. Gli autori derivano le condizioni sufficienti sulle distribuzioni a priori delle componenti di varianza per garantire l'esistenza dei momenti posteriori per gli indicatori target, affrontando un noto problema tecnico relativo alle verosimiglianze lognormali.

Contributi Chiave

• Integrazione dell'Approssimazione nella SAE: Il documento colma una lacuna nella letteratura integrando un esplicito meccanismo di approssimazione all'interno di un framework SAE a livello di unità. A differenza dei lavori precedenti che si concentrano su esiti a livello individuale o ignorano l'heaping nella stima del dominio, questo approccio stima congiuntamente i parametri della piccola area e il processo di approssimazione.
• Specificazione di Miscela a Due Parti: Il modello accoglie la natura semi-continua dei dati (massa allo zero) e l'eterogeneità dei valori positivi attraverso una miscela lognormale a due componenti, accoppiata con una probabilità di miscela dipendente dalle covariate.
• Garanzie Teoriche: Gli autori forniscono condizioni formali (Proposizioni 1 e 2) riguardanti le specifiche a priori che garantiscono la finitezza dei momenti posteriori per gli indicatori target, un requisito critico per una valida inferenza bayesiana in questo contesto.
• Gestione dell'Approssimazione Non-Ignorabile: Modellando la dipendenza del meccanismo di arrotondamento dall'intensità latente, l'approccio corregge i bias che derivano quando l'heaping è informativo.

Risultati

• Studio di Simulazione: Uno studio di simulazione basato sul modello ha confrontato il modello di miscela consapevole dell'approssimazione proposto (LNM-C) con le alternative: un modello lognormale standard (LN), un modello lognormale con approssimazione (LN-C) e un modello di miscela che ignora l'approssimazione (LNM).
  • Quando l'approssimazione dipende dal valore latente (non-ignorabile), ignorarla porta a stime puntuali distorte, RMSE gonfiati e una copertura severamente insufficiente degli intervalli di credibilità, particolarmente per la proporzione di fumatori accaniti ($HS_d$).
  • Il modello LNM-C ha costantemente ottenuto una copertura quasi nominale (circa 90%) e un bias/RMSE inferiore in vari scenari, dimostrando robustezza anche quando i pattern di heaping erano complessi.
• Applicazione Empirica (Italia): Applicato a 84 domini regione-età:
  • Fit del Modello: I controlli predittivi posteriori hanno confermato che il modello LNM-C segue da vicino la distribuzione empirica dei conteggi di sigarette riportati, incluso l'heaping ai multipli di 5 e 10 e il top-coding a 20, mentre i modelli che ignorano l'approssimazione mostrano deviazioni significative.
  • Stime: L'analisi ha rivelato distinti pattern per età e regione. La prevalenza del fumo raggiunge il picco nella fascia d'età 25–49, mentre l'intensità del fumo e la proporzione di fumatori accaniti aumentano con l'età, raggiungendo il picco nel gruppo 50–64.
  • Dinamiche Regionali: Mentre la prevalenza non mostrava un forte clustering spaziale, l'intensità del fumo era più alta nel Sud Italia e più bassa nel Nord-Est. Il modello ha fornito stime stabili per i domini con campioni piccoli dove gli stimatori diretti erano inaffidabili.

Significatività e Rivendicazioni
Il documento sostiene che ignorare l'approssimazione dei dati può produrre stime di dominio distorte e instabili con una scarsa copertura degli intervalli, specialmente per indicatori sensibili alla coda della distribuzione (ad esempio, il fumo pesante). Modellando esplicitamente i meccanismi di arrotondamento e top-coding all'interno di un framework SAE bayesiano a due parti, l'approccio proposto migliora l'accuratezza e raggiunge una copertura quasi nominale. L'applicazione empirica dimostra che questa metodologia fornisce un quadro dettagliato e affidabile dei modelli di fumo attraverso i domini regione-età, supportando così politiche di salute pubblica più mirate. Gli autori sottolineano che, sebbene il modello sia non banale, il rilascio del codice Stan ne facilita l'adattamento per altre applicazioni che coinvolgono dati autodichiarati con heaping o top-coding. Il lavoro non pretende di risolvere tutti i problemi di errore di misurazione, ma mira specificamente a correggere il bias introdotto dai noti meccanismi di approssimazione nel contesto dell'inferenza in piccole aree.