🔬 physics

Correcting socioeconomic bias in mobile phone mobility estimates using multilevel regression and poststratification

Dit artikel toont aan dat multilevel-regressie en poststratificatie (MRP) een effectieve methode zijn om de socia-economische bias in mobiele telefoonmobiliteitsschattingen op basis van call detail records te corrigeren, waardoor de gemiddelde straal van gyratie in Santiago met ongeveer 17% wordt aangepast naar een meer representatieve schatting.

Oorspronkelijke auteurs: Leo Ferres, Laetitia Gauvin

Gepubliceerd 2026-04-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Leo Ferres, Laetitia Gauvin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Verborgen Vooroordeel in je Mobiele Data: Een Verhaal over Telefoons, Steden en Statistiek

Stel je voor dat je een enorme foto maakt van een drukke stad, Santiago in Chili, om te zien hoe mensen zich verplaatsen. Je gebruikt hiervoor de data van één grote mobiele telefoonmaatschappij. Je denkt: "Geweldig, dit is een perfecte kaart van de stad!"

Maar wat als die foto eigenlijk alleen mensen laat zien die op een bepaalde manier gekleed zijn? Wat als de camera alleen mensen vastlegt die rijk zijn, of juist alleen die met een specifiek type contract? Dan zie je niet de hele stad, maar slechts een vertekend stukje ervan.

Dit is precies het probleem dat Leo Ferres en Lætitia Gauvin in hun onderzoek onder de loep nemen. Ze laten zien hoe we die vertekende foto kunnen corrigeren met een slimme statistische truc.

1. Het Probleem: De "Telefoon-Blindheid"

In het verleden dachten onderzoekers: "Als we miljoenen mobiele telefoongegevens bekijken, hebben we een perfect beeld van de bevolking."

Maar de auteurs ontdekten iets verrassends. De gebruikers van deze specifieke telefoonmaatschappij in Chili waren niet willekeurig.

De rijken (ABC1-groep) waren juist ondervertegenwoordigd. Ze hadden wel een telefoon, maar belden minder vaak of gebruikten een ander netwerk.
Mensen met een middeninkomen waren juist oververtegenwoordigd.

De Analogie:
Stel je voor dat je wilt weten hoe lang mensen in een stad gemiddeld naar hun werk reizen. Je vraagt het aan de mensen die je ziet in een duur winkelcentrum. Je concludeert dat iedereen met een dure auto rijdt en ver weg woont. Maar je vergeet de mensen die met de bus komen of in de buurt wonen. Je gemiddelde reistijd is nu veel te hoog.

In de data van de telefoonmaatschappij bleek dit ook zo: omdat de rijkere mensen (die vaak verder reizen) minder vaak in de data voorkwamen, leek het alsof de gemiddelde reistijd in de stad korter was dan in werkelijkheid. Of juist andersom, afhankelijk van welke groep je miste.

2. De Oplossing: De "Statistische Weegschaal" (MRP)

Hoe los je dit op? Je kunt niet alle mensen opnieuw vragen te bellen. Je moet de data die je wel hebt, slim herschikken.

De auteurs gebruiken een methode die Multilevel Regression and Poststratification (MRP) heet. Laten we dit uitleggen met een analogie:

Het Bakkerij-voorbeeld:
Stel je bent een bakker die alleen brood verkoopt aan mensen die in een specifieke wijk wonen. Je wilt weten hoeveel brood de hele stad eet.

De Regressie (Het Model): Je kijkt naar je klanten. Je ziet dat mensen in de 'Wijk A' (rijk) veel brood eten, maar je hebt maar weinig klanten uit die wijk. Je ziet dat mensen in 'Wijk B' (arm) minder brood eten, maar je hebt veel klanten daar. Je bouwt een model dat zegt: "Als iemand in Wijk A woont, eet hij waarschijnlijk X brood, ongeacht of ik hem nu zie of niet."
De Poststratificatie (Het Herschikken): Nu haal je de officiële bevolkingslijst van de stad erbij (de volkstelling). Die lijst zegt: "In de stad wonen 1000 mensen uit Wijk A en 5000 uit Wijk B."
De Correctie: Je neemt je model en past het toe op de echte aantallen. Je zegt: "Oké, mijn model zegt dat Wijk A veel eet. Ik tel dat op voor al die 1000 mensen. En Wijk B eet minder, dat tel ik op voor de 5000."

Zo krijg je een eerlijk beeld van de hele stad, zelfs al had je maar een kleine, scheve steekproef.

3. Wat Vonden Ze?

Toen ze deze methode toepasten op de mobiele data in Santiago, gebeurde er iets opvallends:

De gemiddelde afstand die mensen afleggen (de "straal van rotatie", een ingewikkeld woord voor "hoe ver mensen van huis komen") bleek 17% korter te zijn dan de ruwe data suggereerde.
De rijkste groep bleek in de ruwe data minder mobiel te lijken dan ze waren, en de middenklasse bleek juist de meest mobiele groep.

De Grootte van de Correctie:
Het verschil was enorm. Voor sommige wijken veranderde de berekende reistijd met wel 20 kilometer! Als beleidsmakers op de ruwe data hadden gebaseerd, hadden ze verkeerde beslissingen genomen over waar nieuwe buslijnen of wegen nodig zijn.

4. De "Slimme Back-up" (Zonder Persoonlijke Gegevens)

Een van de coolste ontdekkingen in het artikel is dit: Je hebt niet per se de persoonlijke gegevens (zoals inkomen) van elke telefoongebruiker nodig om dit te corrigeren.

Als je alleen weet waar mensen wonen (in welke wijk), kun je al een groot deel van de correctie doen. Waarom? Omdat in steden als Santiago, arm en rijk vaak in verschillende wijken wonen.

Als je ziet dat een wijk arm is, weet je dat de mensen daar waarschijnlijk minder mobiel zijn.
Als je ziet dat een wijk rijk is, weet je dat ze verder reizen.

Zelfs zonder de exacte salarisgegevens van de telefoongebruiker, kun je dus al een heel goed beeld krijgen door alleen te kijken naar de kaart van de stad.

Conclusie: Waarom Dit Belangrijk Is

Dit onderzoek is een waarschuwing en een oplossing.

Waarschuwing: Data van één telefoonmaatschappij is nooit een perfect spiegelbeeld van de hele bevolking. Het heeft altijd een "bril" op die de werkelijkheid kleurt.
Oplossing: Met slimme wiskunde (MRP) en de officiële bevolkingscijfers kunnen we die bril afzetten en de echte situatie zien.

Voor stedenplanners, epidemiologen (die ziektes bestuderen) en beleidsmakers is dit cruciaal. Als je niet weet wie je data mist, bouw je misschien een ziekenhuis op de verkeerde plek of plannen je verkeerslichten voor de verkeerde mensen.

Kortom: Data is krachtig, maar alleen als je weet wie er niet in de data staat. Deze methode helpt ons die ontbrekende stukjes van de puzzel in te vullen.

Probleemstelling

Call Detail Records (CDR) van mobiele netwerken worden veel gebruikt om menselijke mobiliteit te bestuderen, maar data van één enkele operator vertonen een inherente selectiebias. De waargenomen gebruikers zijn geen willekeurige steekproef van de totale bevolking.

Context: In landen met een hoge mobiele penetratie (zoals Chili, waar meer dan 1 abonnement per persoon bestaat), is de bias niet langer gerelateerd aan het bezit van een telefoon, maar aan de specifieke operatorkeuze, contracttype en gebruikspatronen.
Specifiek geval: In Santiago, Chili, bleek de gebruikersbasis van een grote operator (Movistar/Telefónica) sterk vertekend te zijn ten opzichte van de demografische verdeling in de volkstelling. Hogere inkomensgroepen (ABC1) waren sterk ondervertegenwoordigd, terwijl middeninkomens (C2, D) oververtegenwoordigd waren.
Gevolg: Deze demografische vertekening leidt tot vervormde geaggregeerde mobiliteitsmetrieken. Bijvoorbeeld, de "straal van gyratie" (Radius of Gyration - ROG), een maat voor de ruimtelijke uitgestrektheid van verplaatsingen, werd in de ruwe CDR-data overschat omdat de ondervertegenwoordigde rijke groepen (die vaak verder reizen) niet correct werden meegewogen.

Methodologie: Multilevel Regression and Poststratification (MRP)

De auteurs passen een statistisch raamwerk toe dat oorspronkelijk in de politicologie is ontwikkeld voor het schatten van publieke opinie in kleine gebieden, maar dat hier voor het eerst wordt toegepast op CDR-mobiliteitsdata.

Data:
- CDR-data van mei-juli 2016 van Telefónica Chile (Santiago).
- Gebruikerskarakteristieken: Socio-economische status (GSE), geslacht, locatie van antennes.
- Referentie: De Chileense volkstelling van 2017 en de ISMT (Territorial Sociomaterial Index) voor de ware bevolkingsverdeling per GSE en district.
Het Model (Bayesische Multilevel Regressie):
- Outcome: De gemiddelde log-getransformeerde straal van gyratie (ROG) per cel (unieke combinatie van distrito, GSE, geslacht, maand, weekdag).
- Structuur: Een lineair gemengd model met vaste effecten voor GSE, geslacht, hun interactie, tijd (maand/dag) en een willekeurige intercept op het niveau van de comuna (gemeente).
- Formule: $y_{ijkmt} = \mu + \beta_{GSE} + \beta_{geslacht} + \beta_{interactie} + \beta_{tijd} + \alpha_{comuna} + \epsilon$
- Partial Pooling: Het model deelt informatie tussen gemeentes om schattingen voor groepen met weinig data te stabiliseren.
Poststratificatie:
- De voorspellingen van het model worden gewogen met behulp van de werkelijke bevolkingsaantallen uit de volkstelling.
- De weging ( $N_j$ ) wordt berekend als: $N_{distrito} \times P(GSE | distrito) \times P(geslacht | comuna)$ .
- Dit corrigeert de steekproef naar de werkelijke populatiestructuur.
Variant zonder individuele SES:
- De auteurs testen ook een "geografie-only" model waarbij individuele GSE-labels ontbreken. Dit model gebruikt alleen de geografische verdeling van inkomensgroepen. Het bleek dat ruimtelijke patronen van SES voldoende zijn om een groot deel van de bias te corrigeren, hoewel dit minder accuraat is voor extreme inkomensgroepen.

Belangrijkste Resultaten

Kwantificering van de Bias: De hoogste inkomensgroep (ABC1) had een penetratiegraad van slechts 2,2% in de CDR-data, terwijl ze 31,1% van de bevolking uitmaken. De middenklasse (C2) had de hoogste penetratie (6,9%).
Correctie van de ROG:
- De naïeve CDR-schatting van de gemiddelde straal van gyratie was 24,24 km.
- De MRP-corrigeerde schatting daalde naar 20,23 km (een daling van ongeveer 17%).
- De rangschikking van mobiliteit per inkomensgroep veranderde drastisch: In de ruwe data leek de rijkste groep (ABC1) het meest mobiel. Na correctie bleek dat de middeninkomensgroep (C2) de hoogste mobiliteit heeft, terwijl de armste groep (E) de laagste mobiliteit heeft.
Ruimtelijke Variatie: De correctie varieerde per gemeente (comuna). Gemeentes met een demografische samenstelling die sterk afweek van de volkstelling kregen de grootste correcties (tot 19,8 km verschil).
Validatie:
- Cross-validatie toonde aan dat het model goed generaliseert naar nieuwe geografische eenheden.
- Een vergelijking van modellen toonde aan dat de willekeurige intercept op gemeenteniveau essentieel is voor een goede modelfit; zonder deze verslechterde de voorspellende nauwkeurigheid aanzienlijk.
- De interactie tussen GSE en geslacht had een verwaarloosbaar effect op de modelprestaties.

Bijdragen

Kwantificering: Eerste gedetailleerde analyse van de representativiteitsbias in CDR-data van een operator in een land met hoge mobiele penetratie (Chili), specifiek gericht op socio-economische vertekening.
Methodologische Innovatie: Toepassing van Multilevel Regression and Poststratification (MRP) op CDR-mobiliteitsdata, een methode die tot nu toe niet standaard was in dit domein.
Praktische Toepassing: Demonstratie dat MRP leidt tot fundamenteel andere conclusies over mobiliteitspatronen dan ruwe data, wat cruciaal is voor beleidsvorming.
Open Source: De auteurs hebben de bibliotheek mobmrp (Python) vrijgegeven om deze pipeline voor anderen toegankelijk te maken.

Significantie en Conclusie

De studie onderstreept dat het behandelen van CDR-data als een willekeurige steekproef van de bevolking leidt tot misleidende conclusies en suboptimale beleidsbeslissingen in stadsplanning, vervoer en volksgezondheid.

Wetenschappelijke Rigoor: MRP biedt een gestructureerde, statistisch onderbouwde manier om niet-representatieve passief verzamelde data te corrigeren.
Beleid: Zonder correctie worden mobiliteitspatronen van bepaalde bevolkingsgroepen (zoals de rijken of de armen) systematisch onderschat of overschat.
Generaliseerbaarheid: Het raamwerk is toepasbaar op elke context waar demografische data van de bevolking beschikbaar is en de bron van non-representativiteit bekend is. Zelfs zonder individuele inkomensdata van de operator kan een geografische variant van het model een aanzienlijke correctie bieden, mits er sprake is van ruimtelijke segregatie van inkomensgroepen.

Kortom, dit artikel levert een essentiële bijdrage aan de validiteit van mobiel datagedreven onderzoek door een robuuste methode te introduceren om de "wie wordt er waargenomen"-vraag te beantwoorden en te corrigeren.