Inference from multivariate differential recruitment in respondent-driven sampling data

1. Il Problema: Limitazioni del Campionamento a Spinta dei Rispondenti (RDS)

Il Campionamento a Spinta dei Rispondenti (Respondent-Driven Sampling - RDS) è un disegno di campionamento a catena di referral utilizzato per studiare popolazioni nascoste o difficili da raggiungere (es. migranti, tossicodipendenti) dove non esiste un quadro di campionamento convenzionale. In questo metodo, i partecipanti iniziali ("semi") reclutano i loro pari, che a loro volta reclutano altri, espandendo il campione attraverso le reti sociali.

La validità dell'inferenza statistica basata sui dati RDS dipende criticamente dalle assunzioni sul processo di reclutamento. La letteratura storica assumeva un reclutamento casuale (ogni contatto ha la stessa probabilità di essere selezionato). Tuttavia, è ampiamente riconosciuto che questo è irrealistico: i partecipanti tendono a reclutare in base a preferenze personali, portando al fenomeno del Reclutamento Differenziale (DR).

Le sfide principali identificate nel paper sono:

• Bias di Stima: Il reclutamento non casuale introduce bias significativi nelle stime di prevalenza (es. proporzione di una malattia o di un tratto demografico).
• Limitazione delle Metodologie Esistenti: I lavori recenti che correggono il DR si basano su modelli univariati, considerando solo una singola variabile categorica (es. genere) alla volta. Nella realtà, il comportamento di reclutamento è influenzato simultaneamente da molteplici fattori (età, istruzione, stato di salute, natura della relazione, differenze di età tra reclutatore e reclutato), sia categorici che continui. L'incapacità di modellare queste interazioni multivariate porta a stime imprecise.

2. Metodologia Proposta: Reclutamento Differenziale Multivariato (MDR)

Gli autori introducono un nuovo framework chiamato Multivariate Differential Recruitment (MDR) per incorporare simultaneamente più covariate nel processo di inferenza RDS.

A. Modellazione Stocastica

Il processo RDS è modellato come una Catena di Markov (MC) sullo spazio degli stati dei nodi della rete. A differenza dei modelli precedenti, le probabilità di transizione $P_{ij}$ (la probabilità che il nodo $i$ recluti il nodo $j$) non sono uniformi, ma dipendono da:

1. Covariate specifiche del nodo: Caratteristiche del potenziale reclutato (es. età, genere, istruzione).
2. Covariate specifiche del legame (tie-specific): Caratteristiche della relazione tra reclutatore e reclutato (es. differenza di età assoluta, frequenza di contatto).

La probabilità di transizione è definita come:
$$P_{ij}^{MDR} = \frac{y_{ij} e^{\mathbf{x}_{ij}^\top \boldsymbol{\beta}}}{\sum_{l=1}^N y_{il} e^{\mathbf{x}_{il}^\top \boldsymbol{\beta}}}$$
Dove $\mathbf{x}_{ij}$ è un vettore di covariate e $\boldsymbol{\beta}$ è un vettore di coefficienti sconosciuti stimati tramite Massima Verosimiglianza (MLE).

B. Distribuzione Stazionaria e Stimatori

Sotto condizioni specifiche, la catena di Markov ammette una distribuzione stazionaria unica ($\pi_i^{MDR}$), che rappresenta le probabilità di campionamento. Gli autori derivano questa distribuzione analiticamente in funzione delle covariate e dei parametri stimati.

Utilizzando queste probabilità di campionamento stimate, vengono estesi due classici stimatori di prevalenza:

1. Estensore di Volz-Heckathorn ($\hat{\mu}_{MDR}^{II}$): Una versione Hájek-type adattata per pesare i nodi in base alla distribuzione stazionaria multivariata.
2. Estensore di Lu ($\hat{\mu}_{MDR}^{ego}$): Un estimatore basato sulla composizione della rete locale, adattato per includere i pesi MDR.

C. Stima della Variabilità (Bootstrap Modificato)

Per stimare l'errore standard e costruire intervalli di confidenza, gli autori modificano il metodo del Neighborhood Bootstrap (NB) proposto da Yauck et al. (2022).

• Problema: Il bootstrap originale non garantisce che le repliche abbiano la stessa dimensione del campione originale.
• Soluzione: Viene introdotto un algoritmo che seleziona un numero specifico di reclutatori e aggiusta dinamicamente la dimensione della replica (aggiungendo o rimuovendo nodi) per mantenere la dimensione fissa pari a $n$, preservando la struttura di dipendenza del reclutamento.

3. Contributi Chiave

1. Framework Multivariato: Prima applicazione che integra sistematicamente sia covariate continue (es. età) che categoriche e caratteristiche relazionali (es. differenza di età) nel modello di reclutamento RDS.
2. Generalizzazione Teorica: Estensione della teoria delle Catene di Markov per RDS da un singolo parametro di bias (DR univariato) a un vettore di parametri multidimensionali.
3. Nuovi Stimatori: Sviluppo di $\hat{\mu}_{MDR}^{II}$ e $\hat{\mu}_{MDR}^{ego}$ che correggono il bias di selezione considerando la complessità delle preferenze di reclutamento.
4. Validazione Empirica: Applicazione a un dataset reale di migranti venezuelani in Cile, dimostrando la fattibilità pratica anche con dati parziali sulle caratteristiche dei contatti (alter).

4. Risultati degli Studi di Simulazione

Gli autori hanno condotto uno studio di simulazione su 15 reti sociali con 1000 individui ciascuna, variando:

• Omofilia: Livelli di omofilia basata sull'età (nessuna, moderata, alta).
• Forza MDR: Livelli di reclutamento differenziale multivariato (nessuno, moderato, alto).

Risultati Principali:

• Bias: In presenza di MDR, gli stimatori tradizionali (Volz-Heckathorn) e quelli DR univariati mostrano un bias significativo. Gli stimatori MDR proposti ($\hat{\mu}_{MDR}^{II}$ e $\hat{\mu}_{MDR}^{ego}$) mantengono un bias trascurabile anche in scenari complessi.
• Errore Quadratico Medio (RMSE): Lo stimatore $\hat{\mu}_{MDR}^{ego}$ (tipo "ego") ha mostrato le prestazioni migliori in termini di RMSE, superando sistematicamente gli altri stimatori quando sono presenti sia omofilia che MDR.
• Copertura degli Intervalli di Confidenza: Gli stimatori MDR offrono tassi di copertura (95%) superiori o equivalenti ai metodi esistenti. In particolare, $\hat{\mu}_{MDR}^{ego}$ evita la sottocopertura tipica degli stimatori non corretti in scenari di alto bias, sebbene mostri una leggera sottocopertura in scenari estremi di omofilia+MDR dovuta alla sottostima della varianza nel bootstrap.
• Sensibilità: Gli stimatori di tipo "II" (Volz-Heckathorn) sono risultati più sensibili alla variabilità dei parametri stimati rispetto a quelli di tipo "ego".

5. Applicazione Empirica

Il metodo è stato applicato a uno studio RDS su migranti venezuelani nella Regione Metropolitana di Santiago, Cile, con l'obiettivo di stimare la proporzione di maschi nella popolazione.

• Dati: 375 partecipanti. Le variabili MDR considerate sono: età del reclutato, genere del reclutato e differenza di età assoluta tra reclutatore e reclutato.
• Risultati:
  • Con i dati originali (dove l'MDR era moderato), le stime di prevalenza erano simili tra i vari metodi, ma gli stimatori MDR e Lu presentavano errori standard inferiori.
  • In un'analisi di sensibilità con MDR artificiale potenziato (per simulare un bias di reclutamento più forte), le differenze sono diventate marcate. Gli stimatori MDR hanno corretto efficacemente il bias, riducendo la stima della prevalenza maschile (poiché i maschi erano sovracampionati nel processo di reclutamento simulato), mentre gli stimatori non corretti rimanevano distorti.
  • $\hat{\mu}_{MDR}^{ego}$ ha nuovamente mostrato l'errore standard più basso.

6. Significato e Conclusioni

Il paper dimostra che l'assunzione di reclutamento casuale o la correzione basata su una singola variabile è insufficiente per popolazioni complesse. L'approccio MDR offre un miglioramento sostanziale nell'inferenza statistica per studi RDS:

• Riduzione del Bias: Permette di correggere sistematicamente le distorsioni causate da preferenze di reclutamento multiple e interagenti.
• Robustezza: Gli stimatori proposti, in particolare quello di tipo "ego", sono robusti in presenza di omofilia e bias di reclutamento complessi.
• Implicazioni Pratiche: Suggerisce che nelle future indagini RDS è cruciale raccogliere dati dettagliati non solo sui partecipanti, ma anche sulle caratteristiche dei loro contatti (alter) e sulla natura delle relazioni, per permettere l'uso di modelli di inferenza più sofisticati e accurati.

In sintesi, questo lavoro rappresenta un avanzamento metodologico significativo, trasformando il RDS da un metodo basato su assunzioni semplificatrici a uno strumento statistico capace di gestire la complessità reale delle dinamiche di rete e del comportamento umano.