Muestreo y sesgo de cobertura en encuestas virtuales: una evaluación mediante simulación estadística

Luz María Quinde Arreaga; John Aníbal Herrera Rivera; Marco Fernando Villarroel Puma; Mariana Del Rocio Reyes Bermeo; Stefania Carolina Ubillus Chicaiza

doi:10.70881/hnj/v4/n1/110

Autores/as

Luz María Quinde Arreaga Universidad Técnica Estatal de Quevedo Autor/a https://orcid.org/0009-0009-2306-4561
John Aníbal Herrera Rivera Universidad de Guayaquil Autor/a https://orcid.org/0000-0003-3689-9006
Marco Fernando Villarroel Puma Universidad Técnica Estatal de Quevedo Autor/a https://orcid.org/0000-0001-9288-6221
Mariana Del Rocio Reyes Bermeo Universidad Técnica Estatal de Quevedo Autor/a https://orcid.org/0000-0001-5100-2098
Stefania Carolina Ubillus Chicaiza Universidad Técnica Estatal de Quevedo Autor/a https://orcid.org/0000-0003-1238-506X

DOI:

https://doi.org/10.70881/hnj/v4/n1/110

Palabras clave:

representatividad, encuestas virtuales, sesgo, muestreo probabilístico

Resumen

Las encuestas virtuales se han consolidado como herramienta predominante de recolección de datos; sin embargo, su validez inferencial depende críticamente del diseño muestral y del marco de cobertura. El presente estudio evalúa el impacto del sesgo de cobertura y la autoselección en la estimación de la media poblacional mediante un experimento de simulación Monte Carlo con 1000 réplicas. Se generó una población sintética de 100 000 unidades con correlación estructural entre características sociodemográficas, acceso digital y variable de interés. Se compararon cuatro escenarios: muestreo aleatorio simple, encuesta virtual no probabilística (opt-in), muestreo estratificado digital y ajuste por ponderación postestratificada. Las métricas de evaluación incluyeron sesgo, error cuadrático medio y cobertura empírica de intervalos de confianza al 95%. Los resultados muestran que el diseño no probabilístico presenta sesgo sistemático elevado y subcobertura significativa, mientras que el muestreo estratificado digital reduce sustancialmente el error total. La postestratificación mitiga parcialmente el sesgo, pero no lo elimina bajo mecanismos no ignorables. Se concluye que la representatividad en encuestas virtuales es una propiedad del diseño y no del tamaño muestral

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., & Tourangeau, R. (2013). Summary Report of the AAPOR Task Force on Non-probability Sampling. Journal of Survey Statistics and Methodology, 1(2), 90–143. https://doi.org/10.1093/jssam/smt008 DOI: https://doi.org/10.1093/jssam/smt008

Bethlehem, J. (2010). Selection Bias in Web Surveys. International Statistical Review, 78(2), 161–188. https://doi.org/10.1111/j.1751-5823.2010.00112.x DOI: https://doi.org/10.1111/j.1751-5823.2010.00112.x

Biffignandi Silvia, & Bethlehem Jelke. (2021). Sampling for Web Surveys. In Handbook of Web Surveys (pp. 93–131). Wiley. https://doi.org/10.1002/9781119371717.ch4 DOI: https://doi.org/10.1002/9781119371717.ch4

Blank, G., Graham, M., & Calvino, C. (2018). Local Geographies of Digital Inequality. Social Science Computer Review, 36(1), 82–102. https://doi.org/10.1177/0894439317693332 DOI: https://doi.org/10.1177/0894439317693332

Bradley, V. C., Kuriwaki, S., Isakov, M., Sejdinovic, D., Meng, X.-L., & Flaxman, S. (2021). Unrepresentative big surveys significantly overestimated US vaccine uptake. Nature, 600(7890), 695–700. https://doi.org/10.1038/s41586-021-04198-4 DOI: https://doi.org/10.1038/s41586-021-04198-4

Chen, Y., Li, P., & Wu, C. (2020). Doubly Robust Inference With Nonprobability Survey Samples. Journal of the American Statistical Association, 115(532), 2011–2021. https://doi.org/10.1080/01621459.2019.1677241 DOI: https://doi.org/10.1080/01621459.2019.1677241

Cornesse, C., Blom, A. G., Dutwin, D., Krosnick, J. A., De Leeuw, E. D., Legleye, S., Pasek, J., Pennay, D., Phillips, B., Sakshaug, J. W., Struminskaya, B., & Wenz, A. (2020). A Review of Conceptual Approaches and Empirical Evidence on Probability and Nonprobability Sample Survey Research. Journal of Survey Statistics and Methodology, 8(1), 4–36. https://doi.org/10.1093/jssam/smz041 DOI: https://doi.org/10.1093/jssam/smz041

Elliott, M. R., & Valliant, R. (2017). Inference for Nonprobability Samples. Statistical Science, 32(2). https://doi.org/10.1214/16-STS598 DOI: https://doi.org/10.1214/16-STS598

Groves, R. M., & Lyberg, L. (2010). Total Survey Error: Past, Present, and Future. Public Opinion Quarterly, 74(5), 849–879. https://doi.org/10.1093/poq/nfq065 DOI: https://doi.org/10.1093/poq/nfq065

International Telecommunication Union. (2023). Measuring digital development: Facts and figures 2023. ITU Publications.

Lee, S., & Valliant, R. (2009). Estimation for Volunteer Panel Web Surveys Using Propensity Score Adjustment and Calibration Adjustment. Sociological Methods & Research, 37(3), 319–343. https://doi.org/10.1177/0049124108329643 DOI: https://doi.org/10.1177/0049124108329643

Little, R. J. A., West, B. T., Boonstra, P. S., & Hu, J. (2020). Measures of the Degree of Departure from Ignorable Sample Selection. Journal of Survey Statistics and Methodology, 8(5), 932–964. https://doi.org/10.1093/jssam/smz023 DOI: https://doi.org/10.1093/jssam/smz023

Meng, X.-L. (2018). Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradox, and the 2016 US presidential election. The Annals of Applied Statistics, 12(2). https://doi.org/10.1214/18-AOAS1161SF DOI: https://doi.org/10.1214/18-AOAS1161SF

Robinson, L., Schulz, J., Blank, G., Ragnedda, M., Ono, H., Hogan, B., Mesch, G. S., Cotten, S. R., Kretchmer, S. B., Hale, T. M., Drabowicz, T., Yan, P., Wellman, B., Harper, M.-G., Quan-Haase, A., Dunn, H. S., Casilli, A. A., Tubaro, P., Carvath, R., … Khilnani, A. (2020). Digital inequalities 2.0: Legacy inequalities in the information age. First Monday. https://doi.org/10.5210/fm.v25i7.10842 DOI: https://doi.org/10.5210/fm.v25i7.10842

Särndal, C.-Erik., Swensson, Bengt., & Wretman, J. H. (2003). Model assisted survey sampling. Springer-Verlag.

Schonlau, M., & Couper, M. P. (2017). Options for conducting web surveys. Statistical Science, 32(2), 279–292. https://doi.org/10.1214/16-STS597 DOI: https://doi.org/10.1214/16-STS597

Valliant, R., & Dever, J. A. (2011). Estimating Propensity Adjustments for Volunteer Web Surveys. Sociological Methods & Research, 40(1), 105–137. https://doi.org/10.1177/0049124110392533 DOI: https://doi.org/10.1177/0049124110392533

Wu, C. (2022). Survey Methodology Statistical inference with non-probability survey samples How to obtain more information. Statistics Canada, Catalogue No. 12-001-X, Vol. 48, No. 2. www.statcan.gc.ca

Yang, S., & Kim, J. K. (2020). Statistical data integration in survey sampling: a review. Japanese Journal of Statistics and Data Science, 3(2), 625–650. https://doi.org/10.1007/s42081-020-00093-w DOI: https://doi.org/10.1007/s42081-020-00093-w

Yang, S., Kim, J. K., & Song, R. (2020). Doubly Robust Inference when Combining Probability and Non-Probability Samples with High Dimensional Data. Journal of the Royal Statistical Society Series B: Statistical Methodology, 82(2), 445–465. https://doi.org/10.1111/rssb.12354 DOI: https://doi.org/10.1111/rssb.12354

Yeager, D. S., Krosnick, J. A., Chang, L., Javitz, H. S., Levendusky, M. S., Simpser, A., & Wang, R. (2011). Comparing the Accuracy of RDD Telephone Surveys and Internet Surveys Conducted with Probability and Non-Probability Samples. Public Opinion Quarterly, 75(4), 709–747. https://doi.org/10.1093/poq/nfr020 DOI: https://doi.org/10.1093/poq/nfr020