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

Resumo Técnico: Dados Agrupados em Estimação de Pequenas Áreas: Um Modelo Bayesiano de Duas Partes para Mapeamento do Comportamento Tabagista

Definição do Problema
O monitoramento da saúde pública baseia-se frequentemente em dados de inquéritos de autorrelato, que são inerentemente sujeitos a erros de medição, como o viés de memória, arredondamento e preferência sistemática de dígitos (agrupamento ou heaping). Esses mecanismos de agrupamento reduzem a resolução dos dados e podem introduzir um viés significativo nas estimativas de nível de domínio. Além disso, ao estimar indicadores para pequenas áreas geográficas ou subgrupos sociodemográficos específicos, os tamanhos das amostras costumam ser insuficientes para uma estimação direta confiável. Este artigo aborda o desafio duplo dos tamanhos de amostra limitados e o agrupamento de dados no contexto da estimativa de indicadores de tabagismo (prevalência, intensidade e proporção de fumantes pesados) em regiões italianas e grupos de idade, utilizando o European Health Interview Survey (EHIS) de 2019. Os métodos padrão de Estimação de Pequenas Áreas (SAE), embora eficazes para compartilhar informações entre domínios, tipicamente tratam os valores relatados como livres de erro, falhando assim em considerar a distorção causada pelo agrupamento e pela codificação superior (top-coding, por exemplo, o agrupamento de todos os valores acima de 20 cigarros).

Metodologia
Os autores propõem uma estrutura de SAE de nível unitário Bayesiana projetada especificamente para respostas semicontínuas e agrupadas. O modelo é estruturado em duas partes distintas:

1. Parte Um (Prevalência): Um modelo de efeitos mistos logístico estima a probabilidade de um indivíduo ser um fumante diário ($W$). Este componente utiliza uma regressão logística com efeitos aleatórios específicos do domínio para lidar com a natureza binária dos dados.
2. Parte Dois (Intensidade): Um modelo de mistura flexível estima o consumo médio diário de cigarros ($Z$) entre fumantes diários.
   • Estrutura Latente: O modelo postula que a contagem inteira observada ($Z^*$) é uma realização agrupada de uma variável contínua latente $Z$.
   • Mecanismo de Agrupamento: Uma variável latente $G$ é explicitamente introduzida para modelar o comportamento de agrupamento. $G$ representa o regime de arredondamento (inteiro mais próximo, múltiplo de 5 mais próximo ou múltiplo de 10 mais próximo). A probabilidade de $G$ depende da intensidade latente $Z$ via um modelo de proporções ordinais, permitindo que o mecanismo de agrupamento seja não-ignorável (ou seja, dependente do valor de $Z$).
   • Suposição Distribucional: A intensidade latente $Z$ é modelada usando uma Mistura de Lognormais (LNM) de dois componentes. Esta abordagem de "Mistura de Especialistas" permite interceptos e efeitos de covariáveis específicos para cada componente, capturando a heterogeneidade nos padrões de consumo que uma única distribuição Lognormal não conseguiria captar.
   • Codificação Superior (Top-Coding): O modelo contabiliza explicitamente a censura à direita, onde valores $\ge 20$ são registrados como uma única categoria (21 na pesquisa).
   • Inferência: O modelo é ajustado utilizando Hamiltonian Monte Carlo (HMC) via Stan. Os autores derivam condições suficientes para as distribuições a priori dos componentes de variância para garantir a existência de momentos posteriores para os indicadores alvo, abordando um problema técnico conhecido com verossimilhanças Lognormais.

Principais Contribuições

• Integração do Agrupamento na SAE: O artigo preenche uma lacuna na literatura ao incorporar um mecanismo de agrupamento explícito dentro de uma estrutura de SAE de nível unitário. Ao contrário de trabalhos anteriores que focam em resultados de nível individual ou ignoram o agrupamento na estimativa de domínio, esta abordagem estima conjuntamente os parâmetros de pequena área e o processo de agrupamento.
• Especificação de Mistura de Duas Partes: O modelo acomoda a natureza semicontínua dos dados (massa em zero) e a heterogeneidade dos valores positivos através de uma mistura de Lognormais de dois componentes, acoplada a uma probabilidade de mistura dependente de covariáveis.
• Garantias Teóricas: Os autores fornecem condições formais (Proposições 1 e 2) relativas às especificações a priori que garantem a finitude dos momentos posteriores para os indicadores alvo, um requisito crítico para uma inferência Bayesiana válida neste contexto.
• Tratamento de Agrupamento Não-Ignorável: Ao modelar a dependência do mecanismo de arredondamento sobre a intensidade latente, a abordagem corrige os vieses que surgem quando o agrupamento é informativo.

Resultados

• Estudo de Simulação: Um estudo de simulação baseado em modelo comparou o modelo de mistura que considera o agrupamento proposto (LNM-C) contra alternativas: um modelo Lognormal padrão (LN), um modelo Lognormal com agrupamento (LN-C) e um modelo de mistura que ignora o agrupamento (LNM).
  • Quando o agrupamento depende do valor latente (não-ignorável), ignorá-lo leva a estimativas pontuais enviesadas, RMSE inflado e cobertura severamente insuficiente dos intervalos de credibilidade, particularmente para a proporção de fumantes pesados ($HS_d$).
  • O modelo LNM-C alcançou consistentemente uma cobertura próxima da nominal (aprox. 90%) e menor viés/RMSE em diversos cenários, demonstrando robustez mesmo quando os padrões de agrupamento eram complexos.
• Aplicação Empírica (Itália): Aplicado a 84 domínios de região-idade:
  • Ajuste do Modelo: Verificações preditivas posteriores confirmaram que o modelo LNM-C seguiu de perto a distribuição empírica das contagens de cigarros relatadas, incluindo o agrupamento em múltiplos de 5 e 10 e a codificação superior em 20, enquanto modelos que ignoram o agrupamento mostraram desvios significativos.
  • Estimativas: A análise revelou distintos padrões de idade e regionais. A prevalência de tabagismo atingiu o pico na faixa etária de 25–49 anos, enquanto a intensidade do tabagismo e a proporção de fumantes pesados aumentaram com a idade, atingindo o pico no grupo de 50–64 anos.
  • Dinâmica Regional: Embora a prevalência não tenha mostrado um agrupamento espacial forte, a intensidade do tabagismo foi maior no Sul da Itália e menor no Nordeste. O modelo forneceu estimativas estáveis para domínios com pequenos tamanhos de amostra, onde os estimadores diretos eram pouco confiáveis.

Significância e Alegações
O artigo afirma que ignorar o agrupamento de dados pode gerar estimativas de domínio enviesadas e instáveis, com cobertura de intervalo pobre, particularmente para indicadores sensíveis à cauda da distribuição (ex: tabagismo pesado). Ao modelar explicitamente os mecanismos de arredondamento e codificação superior dentro de uma estrutura de SAE Bayesiana de duas partes, a abordagem proposta melhora a precisão e alcança uma cobertura próxima da nominal. A aplicação empírica demonstra que esta metodologia fornece um quadro detalhado e confiável dos padrões de tabagismo entre domínios de região–idade, apoiando assim políticas de saúde pública mais direcionadas. Os autores enfatizam que, embora o modelo seja não trivial, a disponibilização do código em Stan facilita sua adaptação para outras aplicações envolvendo dados autorrelatados com agrupamento ou codificação superior. O trabalho não pretende resolver todos os problemas de erro de medição, mas foca especificamente no viés introduzido por mecanismos de agrupamento conhecidos no contexto da inferência de pequenas áreas.