《Statistics in Medicine》:Coarsened Data in Small Area Estimation: A Bayesian Two-Part Model for Mapping Smoking Behavior
编辑推荐:
估计特定人口亚群(population subgroups)的健康指标是流行病学(epidemiology)和公共卫生(public health)中反复出现的挑战。当使用调查数据时,小域估计(Small Area Estimation, SAE)方法可通过跨
估计特定人口亚群(population subgroups)的健康指标是流行病学(epidemiology)和公共卫生(public health)中反复出现的挑战。当使用调查数据时,小域估计(Small Area Estimation, SAE)方法可通过跨域借力提高精度。然而,在许多应用中,结局为自报告并受粗化机制(coarsening mechanisms)影响,例如四舍五入(rounding)和数字偏好(digit preference),这些机制降低数据分辨率并可能使推断产生偏倚。本文通过开发针对半连续(semi-continuous)、粗化(coarsened)响应的贝叶斯单元级(unit-level)SAE框架来处理这两个问题。受2019年意大利欧洲健康访谈调查(European Health Interview Survey, EHIS)启发,研究人员估计由意大利地区与年龄组交叉分类定义的域中的吸烟指标,同时捕捉吸烟流行率(smoking prevalence)和强度(intensity)。该模型采用两部分结构:用于吸烟流行率的logistic成分,以及用于平均香烟消费量的灵活对数正态混合分布(mixture of lognormal distributions),并与粗化和顶编码(top-coding)的显式模型耦合。尽管控制堆积(heaping)机制的参数由数据估计,其结构设定依赖于关于合理舍入机制(rounding regimes)的假设,因此需要实质性专家判断(substantive expert judgment)。模拟研究(simulation studies)表明,忽略粗化会产生有偏且不稳定的域估计,并具有较差的区间覆盖(interval coverage),而所提出模型提高准确性并达到接近名义覆盖(near-nominal coverage)。实证应用(empirical application)提供了跨地区-年龄域的吸烟模式详细图景,有助于刻画该现象的动力学并为针对性公共卫生政策提供信息。
论文解读:
研究背景与问题。公共卫生领域的经验研究常以抽样调查为基础,此类调查常规收集自报告的健康行为、风险因素和生活方式信息。尽管这些调查是人口健康监测的重要证据来源,但其数据受抽样变异和多种测量误差影响;自报告行为结局尤其易受回忆偏倚、四舍五入和系统性数字偏好影响,从而扭曲描述分析以及基于设计和基于模型的推断。同时,调查样本量常不足以对小型地理域或特定社会人口群体给出可靠估计,因此需要能够跨区域“借力”的统计方法。烟草消费是主要可改变风险因素,可靠且地理分异的度量对监测人口健康至关重要。研究人员使用由Eurostat协调的EHIS,并聚焦意大利2019年部分,关键指标由“每日平均吸烟支数”变量计算,并可能受自报告数据粗化影响,降低观测数据的有效分辨率。研究关注每日吸烟者比例、每日吸烟者平均每日吸烟支数、每日吸烟者中重度吸烟者比例,并目标在地区水平和进一步按年龄组分解的域中估计。许多域样本量有限,直接估计量将自报告每日吸烟量视为无误差,系统粗化会传播到域水平比例和条件均值;小样本又增大抽样变异,使直接估计不稳定。粗化、堆积和数字偏好长期被认为是流行病学、人口学和调查统计中的偏倚来源;在粗化框架下,舍入是连续值以降低分辨率被观测的基本机制,堆积是报告值集中在偏好数字或倍数的结构化粗化。若粗化机制依赖响应值,可忽略性不再成立,必须显式建模。既有方法多针对个体水平结局,而官方统计和公共卫生监测关注域水平指标;SAE与显式粗化机制的结合仍有限。因此,研究人员提出贝叶斯单元级SAE模型,将报告消费值视为潜在连续吸烟强度的堆积实现,并与小域模型参数联合估计,从而把粗化相关不确定性传播到目标域指标,同时利用辅助信息提高精度。模型还采用两部分设定处理零值质量,并对正部分使用两成分对数正态混合以捕捉每日香烟消费异质性。基于对数正态似然的贝叶斯模型可能产生不有限的后验矩,研究人员推导了以保证目标指标后验矩存在的充分条件。现有烟草SAE应用要么仅关注流行率类型指标,要么在处理强度时未考虑系统粗化;基于模型的模拟进一步表明,忽略粗化会显著恶化估计性能。该研究的意义在于将显式粗化机制嵌入贝叶斯单元级SAE,为吸烟流行率和强度的小域制图提供更可靠推断,并服务靶向公共卫生政策。
关键技术方法。样本队列来源为2019年意大利EHIS,包含约22 800户、837个市镇、45 724名15岁及以上个体,其中7 048名每日吸烟者;域为21个NUTS 2地区与4个年龄组交叉的84个地区-年龄域;辅助变量为分类变量,人口单元计数来自Istat永久人口普查。方法为贝叶斯单元级SAE;第一部分用logistic混合模型建模每日吸烟概率;第二部分对每日吸烟者消费使用两成分对数正态混合;以潜在变量G∈{1,5,10}表示舍入到最近整数、5的倍数、10的倍数,并用比例优势模型(proportional odds model)建模其概率,显式处理粗化与顶编码;采用层次贝叶斯(Hierarchical Bayes, HB)预测目标功能,并设定保证后验矩存在的先验。
研究结果:
2 The Data and the Motivation(数据与动机):通过描述EHIS 2019意大利数据,得出自报告每日吸烟支数呈零值主导,正部分在5、10、15、20处有明显尖峰,大于20的值被合并到上端类别,表明强舍入、数字偏好和顶编码右删失。强度相关指标直接计算会被扭曲,而每日吸烟者比例基于二分类,不受这些报告问题影响。许多域样本量小,最小106个观测(每日吸烟者7个),平均544个(每日吸烟者84个),直接域估计不稳定;由于强度指标的直接域估计不可得或不可靠,研究人员采用单元级SAE。
2.1 Notation and Target Quantities(符号与目标量):通过形式化有限总体U、域U
d、样本s及域样本s
d,定义Y=W·Z,其中W为每日吸烟者指示变量,Z为每日吸烟者平均香烟数。目标量为域每日吸烟者比例、每日吸烟者平均每日香烟数、每日吸烟者重度吸烟比例。该部分为后续建模提供目标函数和记号。
3 A Two-Part Small Area Model for Heaped Data(堆积数据的两部分小域模型):提出单元级贝叶斯小域模型,按半连续消费的两部分框架构造;两部分完全分离,似然可分解。该部分还规划模型拟合与检查、HB预测和先验结构,并强调保证相关量后验矩存在;但上传文本仅展示到3.2,后续技术细节未提供。
3.1 Part One: Daily Smoker Proportion(第一部分:每日吸烟者比例):通过Bernoulli分布和带随机效应的logistic回归建模W
id,logit(ν
id)=β
0ν+x
id?β
ν+u
dν,其中u
dν|τ
ν服从N(0,τ
ν2)。由此对每日吸烟概率进行小域建模。
3.2 Part Two: Smoking Intensity(第二部分:吸烟强度):通过潜在连续变量Z、观察到的粗化变量Z
?和潜在舍入机制G建模每日吸烟者强度。G取1、5、10,分别表示舍入到最近整数、最近5的倍数、最近10的倍数;其条件概率由比例优势模型给出,并有约束γ
01<γ
02。给定G和Z
?,潜在Z的取值范围由I
1(z
?)、I
5(z
?)、I
10(z
?)定义;H=T
H(Z,G)表示与Z
?相容的G值集合。由此显式处理舍入、数字偏好和顶编码。
4 Model-based simulation study(基于模型的模拟研究):根据引言和摘要,研究人员开展基于模型的模拟研究比较替代设定,得出忽略粗化会产生有偏和不稳定域估计、区间覆盖差;所提出模型提高准确性并达到接近名义覆盖。
5 Empirical application(实证应用):摘要报告该实证应用给出跨地区-年龄域的吸烟模式详细图景,有助于刻画现象动态并为靶向公共卫生政策提供信息。
讨论与结论:上传文本未包含第6节结论与讨论的正文,因此无法按原文翻译完整讨论与结论。摘要中可视为研究结论的表述为:模拟研究表明,忽略粗化会产生有偏且不稳定的域估计,并具有较差的区间覆盖;所提出模型提高准确性并达到接近名义覆盖。实证应用提供了跨地区-年龄域的吸烟模式详细图景,有助于刻画该现象的动力学并为针对性公共卫生政策提供信息。其意义在于将显式粗化机制嵌入贝叶斯单元级SAE,使域水平吸烟流行率与强度估计能传播粗化不确定性并利用辅助信息,为公共卫生监测和资源配置提供更可靠的小域证据。