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

1. O Problema

Os Registros de Detalhamento de Chamadas (CDR) de operadoras de telefonia móvel são amplamente utilizados para estudar a mobilidade humana em alta resolução espacial e temporal. No entanto, existe um viés fundamental de representatividade: a base de usuários de uma única operadora não é uma amostra aleatória da população total.

• Contexto Específico: Em mercados de alta penetração como o Chile, a posse de um telefone é quase universal. O viés, portanto, não reside na propriedade do aparelho, mas na preferência pela operadora, tipo de contrato e padrões de uso de voz.
• Consequência: A base de usuários de uma operadora específica (neste caso, a Telefónica/Movistar no Chile) é distorcida em relação aos grupos socioeconômicos. Isso leva a métricas agregadas de mobilidade (como o Raio de Giração) que refletem a mobilidade apenas do subconjunto observado, e não da população real, resultando em conclusões enganosas para planejamento urbano e políticas públicas.

2. Metodologia

Os autores propõem a aplicação de Regressão Multinível com Pós-Estratificação (MRP) para corrigir esse viés de amostragem. O método combina modelagem estatística hierárquica com dados censitários para reponderar as estimativas.

• Dados:
  • CDR: Dados anonimizados de chamadas de voz de maio a julho de 2016 da operadora Telefónica no Chile (aprox. 118.400 observações de usuários).
  • Censo: Dados do Censo Chileno de 2017 para obter a distribuição real da população por gênero e localização.
  • Socioeconomia: Uso do Índice Socio-Material Territorial (ISMT) para obter a distribuição de grupos socioeconômicos (GSE) a nível de zona censitária, agregada para distritos.
• Modelo Estatístico (MRP):
  • Foi ajustado um modelo Bayesiano multinível para prever o logaritmo do Raio de Giração (ROG).
  • Variáveis de Entrada: Grupo Socioeconômico (GSE), Gênero, Dia da Semana, Mês e Interceito Aleatório por Comuna (unidade administrativa).
  • Estrutura: O modelo utiliza "pooling parcial" (partial pooling) através das comunas para capturar heterogeneidade geográfica não observada.
  • Pós-Estratificação: As previsões do modelo são reponderadas usando os pesos do censo (contagem populacional por distrito, GSE e gênero) para estimar a mobilidade da população total, e não apenas dos usuários da operadora.
• Variação "Apenas Geográfica": Os autores também testaram uma versão do modelo que não utiliza rótulos de SES individuais (que podem não estar disponíveis em outros conjuntos de dados), utilizando apenas a localização geográfica e a estratificação pós-geográfica, assumindo que o SES é espacialmente agrupado.

3. Principais Contribuições

1. Quantificação do Viés: Demonstraram empiricamente que, no Chile, o grupo de maior renda (ABC1) é o mais sub-representado nos dados de CDR (penetração de 2,2%), enquanto grupos de renda média (C2) são super-representados.
2. Aplicação de MRP em Mobilidade: São os primeiros a adaptar o framework de MRP (comum em ciências políticas para estimativas de opinião pública) para corrigir estimativas de mobilidade derivadas de CDR.
3. Correção de Métricas Agregadas: Aplicaram o método ao Raio de Giração, mostrando como o viés distorce a percepção da mobilidade real.
4. Ferramenta de Código Aberto: Desenvolveram e lançaram a biblioteca Python mobmrp para facilitar a adoção desse método por outros pesquisadores.

4. Resultados

• Redução do Viés: A correção MRP reduziu a estimativa média do Raio de Giração em aproximadamente 16,6% (de 24,24 km para 20,23 km) em comparação com a média "ingênua" (não corrigida) dos dados CDR.
• Inversão de Padrões:
  • Dados Brutos: O grupo ABC1 (alta renda) parecia ter a maior mobilidade (27,4 km).
  • Dados Corrigidos: Após o MRP, o grupo C2 (renda média) apresentou a maior mobilidade (21,9 km), enquanto o ABC1 caiu para 20,2 km. Isso ocorre porque as zonas de alta renda estão concentradas em áreas distantes do centro, inflando artificialmente a média bruta devido à localização, e não necessariamente ao comportamento de mobilidade intrínseco.
• Eficácia da Variação Geográfica: O modelo que usa apenas informações geográficas (sem rótulos de SES individuais) conseguiu capturar a maior parte do viés, reduzindo a estimativa para 19,40 km. Isso sugere que o MRP é útil mesmo quando a composição socioeconômica exata dos usuários não é conhecida, desde que existam padrões espaciais de segregação socioeconômica.
• Validação: A validação cruzada mostrou que o modelo generaliza bem para novas unidades geográficas (comunas), embora a cobertura de intervalos de credibilidade em nível individual seja baixa (o que é esperado, pois o MRP visa agregados populacionais, não indivíduos).

5. Significância e Conclusão

O estudo demonstra que tratar amostras de CDR como amostras aleatórias da população leva a distorções significativas nas políticas públicas.

• Rigor Científico: O MRP oferece uma correção estatística principista para dados não representativos, permitindo inferências mais precisas sobre a população total.
• Equidade: Ao corrigir o viés, evita-se que políticas de transporte e planejamento urbano sejam baseadas nas necessidades de um subgrupo específico (neste caso, super-representado por classes médias e sub-representado por elites e populações de baixa renda).
• Aplicabilidade: O método é generalizável para qualquer contexto onde se tenha dados passivos não representativos e dados censitários de referência, sendo crucial para o uso ético e preciso de big data em ciências sociais e saúde pública.

Em resumo, o artigo estabelece que a mobilidade real em Santiago é menor do que os dados brutos sugerem e que a distribuição de mobilidade por renda é diferente da percebida nos dados da operadora, exigindo correções estatísticas rigorosas para evitar decisões políticas subótimas.