8  Encuestas de cobertura

NotaAntes de empezar

Responde sin consultar el texto. Al terminar, vuelve a esta pregunta y comprueba si cambió tu respuesta.

1. La cobertura administrativa es 98 % y una encuesta estima 85 % (IC 95 %: 81 a 89). ¿Qué concluyes?

  1. La diferencia no se explica por el azar del muestreo; el dato administrativo no describe bien a la población residente
  2. La encuesta está mal hecha porque contradice al registro
  3. Ambas cifras son iguales dentro del error
  4. Hay que promediarlas

a. Si el intervalo no incluye la cifra administrativa, se buscan explicaciones en el denominador, el numerador o los duplicados.

8.1 Objetivos y pregunta de trabajo

Al terminar este capítulo podrás:

  • describir un diseño por conglomerados en dos etapas con estratos y pesos;
  • calcular un tamaño de muestra aproximado para estimar una cobertura;
  • estimar una cobertura ponderada con su error estándar por linealización y su efecto de diseño;
  • evaluar el sesgo del recuerdo del cuidador frente al carné.

Pregunta de trabajo: la cobertura administrativa de SRP1 de una provincia es 98 %, pero los equipos de campo encuentran niños sin vacunar. Se decide hacer una encuesta. ¿Qué cobertura estima la encuesta y con qué precisión?

8.2 Por qué una encuesta

La encuesta mide desde la población, no desde el servicio: visita hogares y pregunta por todos los niños de la edad, estén o no en el registro. No depende del denominador proyectado ni de los duplicados. A cambio, tiene error de muestreo, depende de la calidad del carné y del recuerdo, y rara vez alcanza para estimar cantones pequeños. El manual de referencia de la OMS para encuestas de cobertura por conglomerados describe su diseño, el cálculo del tamaño de muestra y el análisis ponderado (World Health Organization, 2018). Este capítulo usa una versión simplificada para entender cada pieza.

8.3 El diseño: estratos, conglomerados y pesos

Una encuesta típica divide el territorio en estratos (aquí, urbano y rural), selecciona unidades primarias de muestreo (UPM, por ejemplo sectores censales) dentro de cada estrato y luego selecciona niños dentro de cada UPM. Visitar 10 niños en 60 UPM es mucho más barato que visitar 600 niños dispersos, pero los niños de una misma UPM se parecen entre sí: comparten el centro de salud, el equipo vacunador y las condiciones de acceso.

encuesta <- generar_encuesta_cobertura(upm_por_estrato = 30, ninos_por_upm = 10, semilla = 2018)
head(encuesta)
  id estrato  upm     peso   fuente srp1
1  1   Rural R044 11.33333 Recuerdo TRUE
2  2   Rural R044 11.33333 Recuerdo TRUE
3  3   Rural R044 11.33333    Carné TRUE
4  4   Rural R044 11.33333    Carné TRUE
5  5   Rural R044 11.33333 Recuerdo TRUE
6  6   Rural R044 11.33333 Recuerdo TRUE
table(encuesta$estrato)

 Rural Urbano 
   300    300 
tapply(encuesta$peso, encuesta$estrato, mean)
   Rural   Urbano 
15.66667 60.50000 

El peso de cada niño es el inverso de su probabilidad de ser seleccionado: cuántos niños de la población representa. Los niños rurales tienen menos peso porque las UPM rurales son más pequeñas y, con 30 UPM por estrato, cada una se seleccionó con mayor probabilidad. Ignorar los pesos sobrerrepresenta a la zona rural.

8.4 Tamaño de muestra

Para estimar una cobertura esperada \(p\) con una precisión absoluta \(e\) (la mitad del ancho del intervalo), la fórmula del muestreo aleatorio simple se multiplica por el efecto de diseño y se ajusta por la no respuesta:

\[ n = \frac{z^2\,p(1-p)}{e^2} \times \frac{\text{efecto de diseño}}{1 - \text{no respuesta}} \]

expand.grid(precision = c(0.03, 0.05), efecto_diseno = c(1.5, 2, 3)) |>
  transform(n = tamano_muestra_cobertura(0.85, precision, efecto_diseno, no_respuesta = 0.10))
  precision efecto_diseno    n
1      0.03           1.5  908
2      0.05           1.5  327
3      0.03           2.0 1210
4      0.05           2.0  436
5      0.03           3.0 1815
6      0.05           3.0  654

La precisión es lo que más encarece la encuesta: pasar de ±5 a ±3 puntos casi triplica la muestra. El efecto de diseño depende de cuánto se parecen los niños de una misma UPM; antes de la encuesta solo puede suponerse, y después se estima. El manual de la OMS propone un procedimiento más completo, que también considera cuántos niños se esperan por UPM.

8.5 Estimación ponderada y su error

global <- estimar_proporcion_encuesta(encuesta$srp1, encuesta$peso, encuesta$estrato, encuesta$upm)
sin_pesos <- mean(encuesta$srp1)
global
    n conglomerados proporcion         ee    ic_inf    ic_sup efecto_diseno
1 600            60  0.8518745 0.01889529 0.8140515 0.8896976      1.697669
c(ponderada = round(100 * global$proporcion, 1), sin_pesos = round(100 * sin_pesos, 1))
ponderada sin_pesos 
     85.2      82.8 

La función estimar_proporcion_encuesta() calcula la proporción ponderada y su error estándar por linealización de Taylor: suma los residuos ponderados de cada UPM y mide su variabilidad dentro de cada estrato. Es lo que hace el paquete survey con un diseño declarado con svydesign(ids = ~upm, strata = ~estrato, weights = ~peso).

El efecto de diseño estimado es 1,70: la varianza es 1,70 veces la de un muestreo aleatorio simple del mismo tamaño. Dicho de otro modo, los 600 niños informan tanto como unos 353 niños seleccionados al azar. Calcular el intervalo como si la muestra fuera aleatoria simple daría una precisión falsa.

por_estrato <- do.call(rbind, lapply(split(encuesta, encuesta$estrato), function(x)
  cbind(estrato = x$estrato[1], estimar_proporcion_encuesta(x$srp1, x$peso, x$estrato, x$upm))))
por_estrato[c("estrato", "n", "proporcion", "ic_inf", "ic_sup", "efecto_diseno")]
       estrato   n proporcion    ic_inf    ic_sup efecto_diseno
Rural    Rural 300  0.7645390 0.6966271 0.8324509      1.837426
Urbano  Urbano 300  0.8744904 0.8296855 0.9192952      1.311760

8.6 ¿Funciona el intervalo? Repetir la encuesta

En una encuesta real no conocemos la cobertura verdadera. En la sintética sí: el generador guarda la vacunación real de cada niño y de toda la población. Repetimos la encuesta 200 veces y contamos cuántas veces el intervalo del 95 % contiene la cobertura verdadera. Los dos intervalos usan la misma proporción ponderada; solo cambia el error estándar:

repeticiones <- do.call(rbind, lapply(1:200, function(i) {
  e <- generar_encuesta_cobertura(semilla = 5000 + i)
  real <- attr(e, "vacunado_real")
  r <- estimar_proporcion_encuesta(real, e$peso, e$estrato, e$upm)
  # Misma proporción ponderada, pero error estándar de muestreo aleatorio simple.
  ee_simple <- sqrt(r$proporcion * (1 - r$proporcion) / r$n)
  verdad <- attr(e, "verdad")[["poblacion"]]
  data.frame(diseno = r$ic_inf <= verdad & verdad <= r$ic_sup,
             como_aleatoria_simple = abs(r$proporcion - verdad) <= 1.96 * ee_simple)
}))
round(100 * colMeans(repeticiones), 1)
               diseno como_aleatoria_simple 
                   94                    87 

El intervalo que respeta el diseño contiene la cobertura verdadera en 94,0 % de las encuestas, cerca del 95 % prometido. El que trata la muestra como aleatoria simple la contiene solo en 87,0 %: es demasiado estrecho.

8.7 Carné y recuerdo

Cuando no hay carné, la encuesta pregunta al cuidador. El recuerdo tiene dos errores: olvida dosis aplicadas y declara dosis que no se aplicaron. En el generador, el recuerdo reconoce al 90 % de los niños vacunados y declara vacunado al 20 % de los no vacunados. Como conocemos la verdad, podemos medir esos errores:

real <- attr(encuesta, "vacunado_real")
recuerdo <- encuesta$fuente == "Recuerdo"
table(declarado = encuesta$srp1[recuerdo], real = real[recuerdo])
         real
declarado FALSE TRUE
    FALSE    20   14
    TRUE      4  145
c(sensibilidad = round(mean(encuesta$srp1[recuerdo & real]), 2),
  especificidad = round(mean(!encuesta$srp1[recuerdo & !real]), 2))
 sensibilidad especificidad 
         0.91          0.83 
rbind(
  carne_y_recuerdo = estimar_proporcion_encuesta(encuesta$srp1, encuesta$peso, encuesta$estrato, encuesta$upm),
  solo_carne = with(encuesta[encuesta$fuente == "Carné", ],
                    estimar_proporcion_encuesta(srp1, peso, estrato, upm)),
  verdad_en_la_muestra = estimar_proporcion_encuesta(real, encuesta$peso, encuesta$estrato, encuesta$upm)
)[c("n", "proporcion", "ic_inf", "ic_sup")]
                       n proporcion    ic_inf    ic_sup
carne_y_recuerdo     600  0.8518745 0.8140515 0.8896976
solo_carne           417  0.8679514 0.8316535 0.9042493
verdad_en_la_muestra 600  0.8725894 0.8347521 0.9104266

En esta encuesta el recuerdo subestima la cobertura: como la mayoría de los niños está vacunada, pesan más las dosis olvidadas que las declaradas de más. La estimación con carné y recuerdo, 85,2 %, queda por debajo de la vacunación real de la muestra, 87,3 %. Con coberturas bajas el sesgo puede ir en sentido contrario.

Usar solo los niños con carné da aquí una cifra cercana a la real, 86,8 %, porque el generador asigna el carné al azar dentro de cada estrato. En la práctica, las familias que perdieron el carné suelen ser también las que menos vuelven al servicio, y excluirlas sesga la estimación hacia arriba. Lo recomendable es informar la cobertura por fuente (carné, recuerdo y ambas) y, si es posible, verificar en el registro del establecimiento la vacunación de los niños sin carné.

8.8 Comparar encuesta y dato administrativo

c(administrativa = 98, encuesta = round(100 * global$proporcion, 1),
  ic_inf = round(100 * global$ic_inf, 1), ic_sup = round(100 * global$ic_sup, 1))
administrativa       encuesta         ic_inf         ic_sup 
          98.0           85.2           81.4           89.0 

Si el intervalo de la encuesta no incluye la cobertura administrativa, la diferencia no se explica por el azar del muestreo. Las explicaciones habituales están en el capítulo 5: un denominador subestimado, niños de otros territorios en el numerador y duplicados. La encuesta no dice cuál de ellas opera; dice que la cifra administrativa no describe a la población residente.

8.9 Responder la pregunta de trabajo

La encuesta estima una cobertura de SRP1 de 85,2 % (IC 95 %: 81,4 a 89,0), con un efecto de diseño de 1,70. La cifra administrativa de 98 % queda fuera del intervalo: confirma lo que encontraron los equipos de campo. La estimación tiene dos fuentes de error que conviene reportar: el muestreo, cuantificado en el intervalo, y la medición por recuerdo, que no se cuantifica en el intervalo y debe discutirse aparte.

8.10 Limitaciones

  • El generador usa muestreo aleatorio simple de UPM en cada estrato; las encuestas reales suelen seleccionar UPM con probabilidad proporcional al tamaño y ajustan los pesos por no respuesta.
  • La varianza por linealización supone selección con reemplazo de UPM; con fracciones de muestreo altas sobreestima ligeramente la varianza.
  • La sensibilidad y especificidad del recuerdo son supuestos del generador, no estimaciones para Ecuador.

8.11 Ejercicios

  1. Pesos. Calcula la cobertura sin pesos y explica por qué es menor que la ponderada en esta encuesta.
  2. Más UPM o más niños. Genera encuestas con 60 UPM por estrato y 5 niños por UPM. Compara el efecto de diseño y el ancho del intervalo con el diseño original.
  3. Con survey. Si tienes instalado el paquete survey, declara el diseño y compara svymean(~srp1, diseno) con estimar_proporcion_encuesta().
  4. Tamaño de muestra. ¿Cuántos niños necesitarías para estimar una cobertura esperada de 90 % con ±4 puntos, efecto de diseño 2 y 15 % de no respuesta?
  1. mean(encuesta$srp1). La muestra tiene la mitad de niños rurales, pero en la población son una minoría; como la zona rural tiene menor cobertura, la media sin pesos queda por debajo.
  2. e <- generar_encuesta_cobertura(60, 5). Con menos niños por UPM, la correlación dentro de la UPM pesa menos y el efecto de diseño baja; el intervalo suele estrecharse aunque el número total de niños sea el mismo. El costo de visitar más UPM es la contrapartida.
  3. d <- survey::svydesign(ids = ~upm, strata = ~estrato, weights = ~peso, data = encuesta); survey::svymean(~srp1, d). La proporción coincide; el error estándar debe coincidir también, porque ambos usan linealización con UPM con reemplazo.
  4. tamano_muestra_cobertura(0.90, 0.04, efecto_diseno = 2, no_respuesta = 0.15).

8.12 Autoevaluación

Responde antes de abrir cada respuesta. Si fallas una, vuelve a la sección correspondiente antes de continuar.

8.12.1 Comprobación

2. ¿Qué representa el peso de un niño en una encuesta?

  1. Su peso corporal
  2. La calidad de la información del carné
  3. El inverso de su probabilidad de selección: cuántos niños de la población representa
  4. El número de dosis que recibió

c. Sin pesos, los estratos sobremuestreados distorsionan la estimación.

3. Un efecto de diseño de 1,7 significa que:

  1. La cobertura está sobreestimada en 1,7 puntos
  2. Se visitaron 1,7 niños por hogar
  3. El intervalo es 1,7 veces más estrecho
  4. La varianza es 1,7 veces la de un muestreo aleatorio simple del mismo tamaño

d. Los niños de una misma UPM se parecen; la muestra informa como una aleatoria simple más pequeña.

4. En la repetición de 200 encuestas sintéticas, el intervalo calculado como si la muestra fuera aleatoria simple:

  1. Es más preciso y siempre preferible
  2. Contiene la cobertura verdadera menos veces de lo prometido, porque es demasiado estrecho
  3. Contiene la verdad en el 100 % de las encuestas
  4. Es idéntico al intervalo del diseño

b. Ignorar los conglomerados subestima la varianza.

8.12.2 Transferencia a tu trabajo

5. Quieres pasar de ±5 a ±3 puntos de precisión. ¿Qué pasa con el tamaño de muestra?

  1. Aumenta un 40 %
  2. No cambia si el efecto de diseño es igual
  3. Casi se triplica, porque depende del cuadrado de la precisión
  4. Se reduce a la mitad

c. (5/3)² ≈ 2,8.

6. En una encuesta con cobertura alta, la mayoría de los niños sin carné se clasifican por recuerdo. ¿Qué sesgo es más probable?

  1. Subestimación, si el olvido de dosis aplicadas pesa más que las dosis declaradas de más
  2. Ninguno: el recuerdo es exacto
  3. Siempre sobreestimación
  4. Un sesgo que el intervalo de confianza ya incluye

a. El sesgo del recuerdo depende de la cobertura y de sus errores; el intervalo no lo captura.

8.13 Ideas que debes conservar

  • La encuesta mide desde la población y no depende del denominador ni de los duplicados, pero tiene error de muestreo y de medición.
  • Los pesos son obligatorios; el diseño por conglomerados ensancha el intervalo y el efecto de diseño dice cuánto.
  • Un intervalo calculado como si la muestra fuera aleatoria simple es demasiado estrecho.
  • El recuerdo del cuidador introduce un sesgo que el intervalo no captura; se informa la cobertura por fuente.