Bayesian Inference for Multi-Source Binary Data with Selection and Measurement Error

Technische Samenvatting: Bayesiaanse Inferentie voor Multi-bron Binair Data met Selectie- en Meetfouten

Probleemstelling
De integratie van gegevens uit meerdere bronnen, met name het koppelen van probabilistische enquête-steekproeven met niet-probabilistische administratieve gegevens, biedt aanzienlijk potentieel voor het verbeteren van statistische inferentie. Deze integratie introduceert echter complexe methodologische uitdagingen. Terwijl de bestaande literatuur vaak meetfouten (misclassificatie) en selectiefouten (bias door niet-willekeurige inclusie) in isolatie behandelt, lijdt multi-bron data in de praktijk vaak tegelijkertijd aan beide. Deze fragmentatie leidt tot een onvolledig begrip van de datakwaliteit. Specifiek is er een gebrek aan methodologische kaders die in staat zijn om deze fouten gezamenlijk te modelleren bij het werken met binaire doelvariabelen, waarbij het onderscheid tussen een ware latente staat en geobserveerde indicatoren wordt vertroebeld door zowel imperfecte meting als niet-willekeurige selectiemechanismen.

Methodologie
De auteurs stellen een Bayesiaans modelleringskader voor dat is ontworpen om populatieproporties te schatten uit multi-bron binaire data, terwijl rekening wordt gehouden met een "samengestelde fout" die zowel misclassificatie als selectiebias gezamenlijk vangt.

• Decompositie van de Samengestelde Fout: De kern van de theoretische bijdrage is de decompositie van de totale fout ($E_C$) in een meetfout ($E_M$) en een selectiefout ($E_S$).

  • Meetfout: Gemodelleerd met behulp van een binair latent class mixture model. Het kader gaat uit van conditionele onafhankelijkheid tussen geobserveerde indicatoren gegeven de latente ware status ($X$). Het maakt gebruik van sensitiviteit ($Seq$) en specificiteit ($Spq$) om de validiteit van indicatoren te schatten.
  • Selectiefout: Voortbouwend op het werk van Meng (2018) en Dempsey (2023), passen de auteurs de decompositie van het verschil tussen steekproef- en populatiemiddelden aan. Ze introduceren een "datakwaliteit"-component ($\Delta^q_{R,Y}$), gedefinieerd als het verschil in inclusiekansen tussen subpopulaties met $Y=1$ en $Y=0$, wat de minder interpreteerbare correlatiegebaseerde maten vervangt.
  • Integratie: Het model incorporeert een validiteitsaanpassingsfactor ($1/J_q$, waarbij $J_q$ de Youden's J-statistiek is) in de selectiefout-term. Dit weerspiegelt het cumulatieve effect van imperfecte meting op de selectiebias. De uiteindelijke estimator voor de samengestelde fout wordt uitgedrukt als de som van de meetfout-term en de aangepaste selectiefout-term.

• Schattingstrategie:

  • Het model wordt geschat binnen een volledig Bayesiaans kader met behulp van Hamiltonian Monte Carlo (HMC) via de Stan-interface.
  • Identificatie: Om het probleem van label-switching aan te pakken dat inherent is aan mixture modellen, leggen de auteurs structurele beperkingen op die garanderen dat de kans op een positieve respons hoger is in de latente klasse $X=1$ dan in $X=0$.
  • Selectiemechanisme: Selectie in de niet-probabilistische steekproef wordt gemodelleerd als een probit-functie van de latente status $X$ en een hulpvariabele $Z$. Het model leidt een gesloten vorm oplossing af voor de marginale inclusiekans door de hulpvariabele uit te integreren, waarbij wordt uitgegaan van een normale verdeling voor $Z$ conditioneel op $X$.
  • Priors: Het kader staat flexibele prior-specificatie toe, variërend van zwak informatieve tot sterk informatieve priors, waardoor de incorporatie van domeinkennis over datakwaliteit en selectiemechanismen mogelijk wordt.

Kernbijdragen

1. Gezamenlijke Modellering: Het artikel introduceert het eerste bekende kader dat gelijktijdigig meet- en selectiefouten modelleert voor binaire doelvariabelen in een multi-bron context.
2. Estimatie van de Samengestelde Fout: Het biedt een robuuste estimator voor de totale bias ($E_C$) die voortvloeit uit de som van de verstoringen, waarbij het model deze accuraat kan identificeren, zelfs wanneer de individuele componenten moeilijk te scheiden zijn.
3. Interpreteerbare Selectiemetriek: De auteurs stellen $\Delta^q_{R,Y}$ voor als een meer intuïtieve maat voor selectiebias vergeleken met correlatiecoëfficiënten, wat het verschil in inclusiekansen tussen groepen vertegenwoordigt.
4. Decompositievoorwaarden: De studie verduidelijkt dat hoewel de samengestelde fout robuust wordt geïdentificeerd, de succesvolle decompositie in afzonderlijke meet- en selectiefactoren afhankelijk is van de beschikbaarheid van valide indicatoren, relevante hulpvariabelen en informatieve priors.

Resultaten
De prestaties van het voorgestelde kader werden geëvalueerd via simulatiestudies en een empirische toepassing.

• Simulatiestudie:

  • Het model toonde robuustheid in het schatten van de samengestelde fout ($E_C$) in alle scenario's, ongeacht de niveaus van de meet- of selectiefout.
  • De decompositie van $E_C$ in $E_M$ en $E_S$ bleek echter gevoelig voor identificatiecondities. Wanneer de sensitiviteit laag was of de hulpvariabele een zwakke scheiding tussen latente klassen bood, waren de posterior distributies voor de individuele foutcomponenten breed, en vielen de werkelijke waarden vaak buiten de betrouwbaarheidsintervallen.
  • De resultaten wezen op een trade-off: het model kan de totale bias nauwkeurig schatten, maar het onderscheiden van de specifieke bijdrage van de meetfout versus de selectiefout vereist sterke datastructuur (hoge validiteit van indicatoren, sterke hulpvariabelen) of informatieve priors.

• Empirische Toepassing:

  • Het kader werd toegepast op gekoppelde microdata van de Current Population Survey (CPS) en de American Time Use Survey (ATUS) om de status "Hoog Inkomen" te schatten.
  • De studie maakte gebruik van vier prior-specificaties (oninformatief, selectie-geïnformeerd, meet-geïnformeerd en volledig geïnformeerd) om sensitiviteit te testen.
  • Modelvergelijking via Bayesian Leave-One-Out Cross-Validation (LOO-CV) werd gebruikt om de voorspellende prestaties te beoordelen, hoewel het artikel opmerkt dat bij vergelijkbare voorspellende accuratesse, de standaardfouten van verschillen kunstmatig laag kunnen zijn.

Betekenis en Claims
Het artikel claimt dat de primaire betekenis ligt in het adresseren van het gefragmenteerde begrip van datakwaliteit bij multi-bron integratie. Door een verenigd Bayesiaans kader te bieden, stelt het onderzoekers in staat om:

1. De totale bias (samengestelde fout) nauwkeurig te schatten die de populatieproportie-schattingen beïnvloedt die afgeleid zijn van geïntegreerde data.
2. Te begrijpen onder welke voorwaarden deze totale bias granulair kan worden gedecomponeerd in de constituerende delen.

De auteurs concluderen bescheiden dat hoewel het model de samengestelde fout robuust identificeert, het bereiken van een "volledig granulaire interpretatie van bias" (het scheiden van selectie van meting) niet automatisch is. Het vereist gedetailleerde datacuratie, de inclusie van valide indicatoren en hulpvariabelen, en de integratie van domeinkennis via informatieve priors. Het werk benadrukt dat het integreren van multi-bron data de onderliggende statistische structuur hervormt, wat nieuwe inferentiële kaders vereist die expliciet rekening houden met de wisselwerking tussen selectie- en meetverstoringen.