Prevalence estimation and binary regression methods for respondent-driven sampling with outcome uncertainty

Resumo

Populações de difícil acesso são difíceis para pesquisadores se aproximarem ou se recusam a se inscrever em pesquisas de saúde pública, tornando a enumeração e amostragem desafios. O Respondent-driven sampling (RDS) é uma técnica de referência em cadeia usada para recrutar indivíduos de populações difíceis de alcançar. A pesquisa incentiva os participantes a recrutarem seus pares, dando incentivos a cada recrutamento e à participação. Como não há enumeração dos sujeitos, o RDS é uma estratégia de amostragem não probabilística. Além disso, a estrutura gráfica do RDS sofre com a falta de dados e várias suposições sobre o processo de recrutamento são necessárias. Após a obtenção dos indivíduos amostrados, o entendimento de suas características é foco da epidemiologia, visto que se trata de populações geralmente de alto risco para algumas
 doenças. Portanto, estimar a prevalência da doença, a proporção de indivíduos infectados e a dependência a outras variáveis observadas é uma etapa crítica para a tomada de decisão pública. Os testes de diagnóstico para identificação de doenças estão sujeitos a erros de classificação e incorporar suas acurácias corrige vieses no problema de estimação de prevalência. Este trabalho propõe o uso de técnicas de regressão para estimativa de prevalência em Respondent-driven sampling. Usamos modelos condicionalmente autorregressivos para
 representar a correlação entre os indivíduos induzida pelo recrutamento. Na estatística moderna, entender situações com informações desconhecidas e quantificá-las
 desempenha um papel significativo. Usamos inferência bayesiana para quantificação de incerteza para nossos modelos. No paradigma bayesiano, as distribuições de probabilidade para quantidades de interesse representam a crença sobre elas. Discutimos diferentes abordagens de especificação anterior para os parâmetros e examinamos a incerteza sobre a estrutura do grafo usando um modelo gráfico de RDS. Para realizar a amostragem da distribuição dos parâmetros, usamos o amostrador Hamiltonian Monte Carlo. Os diagnósticos deste método ajudaram a melhorar a programação do nosso modelo. A verificação do modelo por meio de simulação e conjuntos de dados externos mostrou resultados robustos, e propomos extensões do modelo para as limitações deste trabalho.

Ficha do documento

Tipo

Outro

Ano

2021

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Não informado

Identificador

oai:repositorio.fgv.br:10438/31844

Temas

DadosSaúde

Palavras-chave

Respondent-driven samplingRegression analysisBayesian inferencePrevalence estimationMisclassificationSensitivitySpecificityAnálise de regressãoInferência bayesianaEstimação de prevalênciaClassificação erradaSensibilidadeEspecificidadeMatemáticaTeoria bayesiana de decisão estatísticaAmostragem (Estatística)Estudos transversais