通过对美国进行多尺度分析，表征移动位置数据中的空间与社会人口统计学抽样偏差

《Scientific Reports》：Characterizing the spatial and sociodemographic sampling biases found in mobile location data through a multiscale analysis of the United States

　　

摘要

移动位置数据被广泛用于为公共卫生、应急响应和政策决策提供信息支持。然而，这些数据集包含与年龄、收入、教育程度和种族/族裔等社会人口学因素相关的采样偏差，这可能掩盖流动模式并加剧现有不平等。本研究通过识别大规模移动位置数据中采样和表示水平的区域及社会人口学模式，推进了对此类数据中代表性不足问题的理解。通过多尺度分析，我们评估了州、县和普查区的采样率和偏差模式。结果显示，老年人（65岁及以上）、低收入家庭以及未接受高等教育的群体存在持续的代表性不足，这一问题在美国西部和农村地区尤为突出。相比之下，影响种族和族裔群体的偏差因空间尺度而异，数据汇总会掩盖更细粒度下的代表性不足。这些发现强调了在使用移动位置数据辅助决策时，尺度敏感分析和公平导向方法的重要性。