Prevedere le Non-Risposte nello Studio ELSA COVID-19

Ogni anno, le organizzazioni spendono un sacco di tempo e soldi per raccogliere informazioni tramite sondaggi. A volte, le persone non partecipano ai sondaggi di follow-up. Perché? Beh, potrebbe essere perché si sono trasferite, hanno problemi di salute, o non ci sono più. In questo articolo, ci concentriamo su uno studio specifico conosciuto come l'English Longitudinal Study of Ageing COVID-19 Substudy. Questo studio ha raccolto informazioni durante la pandemia, ma alcuni partecipanti del primo giro non si sono presentati per il secondo. Il nostro obiettivo? Capire chi potrebbe non rispondere basandoci su vari fattori usando tecniche di machine learning.

#Comprendere lo Studio

L'ELSA COVID-19 Substudy è stato condotto in due fasi durante la pandemia. La prima fase si è svolta da giugno a luglio 2020, e la seconda fase è seguita da novembre a dicembre dello stesso anno. Da allora, diversi ricercatori si sono tuffati nei dati raccolti. Vogliamo prevedere chi potrebbe saltare il secondo giro usando metodi di machine learning come K-nearest neighbors, random forest, Regressione Logistica e altro.

#Perché È Importante

Quando le organizzazioni possono identificare le persone che potrebbero non rispondere ai sondaggi, possono risparmiare risorse. Ad esempio, nel Regno Unito, l'Office for National Statistics usa la regressione logistica per cercare di prevedere la probabilità che le persone rispondano. Nel 2012, un'iniziativa negli USA ha addirittura organizzato una competizione per sviluppare un modello predittivo per le non risposte, evidenziando l'importanza di usare metodi avanzati.

#Investigare le Non-Risposte

Il nostro focus è sulla seconda fase dello studio ELSA. Molta ricerca è stata condotta sui dati, ma gli studi che esplorano specificamente le non-risposte sono pochi e rari. Vogliamo cambiare questa situazione. A differenza dei giri precedenti di ELSA, non c'è stato uno studio che fornisse prove riguardo alla mancata partecipazione. Quindi, puntiamo a identificare i fattori che hanno determinato chi non ha risposto nella seconda fase.

#Qual È il Dataset?

Lo studio ELSA è un sondaggio auto-riferito che si svolge ogni due anni. Rappresenta individui di 50 anni e oltre. Il campione originale è stato estratto da famiglie che avevano partecipato a sondaggi sulla salute precedenti. Con nove ondate completate finora, è stato creato un nuovo studio durante il COVID-19 per esaminare il suo impatto sugli adulti più anziani riguardo a salute, demografia e occupazione.

Per la nostra analisi, consideriamo i membri principali – quelli che soddisfano i requisiti di età e hanno partecipato a sondaggi precedenti. Tuttavia, c'è stata una notevole diminuzione delle risposte dal primo al secondo giro.

#Analizzando le Risposte

La maggior parte dei nostri partecipanti proviene dalla prima coorte. Interessante notare che molti preferivano essere intervistati online piuttosto che per telefono. Abbiamo anche notato qualcosa di importante: il luogo in cui le persone vivevano durante la pandemia ha influenzato le loro risposte. La maggior parte è rimasta nelle proprie abitazioni, mentre alcuni erano in case di cura. Fattori come problemi di salute, cambiamenti lavorativi e demografia hanno giocato ruoli significativi nel determinare chi ha risposto.

#Modelli di Machine Learning Utilizzati

Per affrontare il nostro problema, abbiamo usato vari modelli di machine learning.

#K-Nearest Neighbors (KNN)

Questo modello guarda ai punti dati più vicini per prevedere i risultati. È come chiedere ai tuoi vicini cosa pensano di un film prima di vederlo. Se i tuoi amici più stretti lo adorano, potresti dargli una chance anche tu!

#Decision Trees

Immagina di disegnare un diagramma di flusso. A ogni punto, decidi quale strada prendere in base a quello che sai. Questi alberi aiutano a classificare i dati ed è facile capirli.

#Random Forest

Pensalo come un'intera foresta di alberi decisionali. Ogni albero vota sul risultato e il maggior numero vince. È come chiedere a un gruppo di amici dove andare a cena e andare alla scelta più popolare.

#Logistic Regression

Questo è un metodo statistico per prevedere le probabilità che si verifichi un certo risultato. È particolarmente utile per risultati binari, come se qualcuno risponderà o meno.

#Neural Networks

Questi sono ispirati al cervello umano e consistono in unità o neuroni interconnessi. Funzionano bene per dati complessi ma possono essere un po' più difficili da interpretare rispetto agli alberi.

#Support Vector Classifiers (SVC)

L'SVC aiuta a trovare la miglior linea che separa diverse classi nei nostri dati. Pensalo come un buttafuori a un club che si assicura che solo certe persone entrino.

#Ensemble Methods

Questi metodi combinano più modelli per migliorare le performance. È come mettere insieme un team con talenti diversi per ottenere un risultato migliore.

#Valutando i Modelli

Dopo aver addestrato i nostri modelli, dobbiamo valutare quanto bene hanno funzionato. Ci concentriamo su accuratezza e altre metriche come precisione e richiamo. L'accuratezza è importante, ma non è l'unica cosa. A volte, trovare veri positivi (quelli che non hanno risposto) è molto più importante rispetto all'accuratezza complessiva, specialmente in set di dati squilibrati.

#Risultati e Osservazioni

Analizzando i dati, abbiamo trovato che il modello random forest ha funzionato meglio in generale, mentre KNN è stato eccellente nel prevedere i veri positivi. Tuttavia, SVC e reti neurali hanno avuto qualche difficoltà.

I modelli hanno identificato diversi fattori significativi che influenzavano le risposte. Interessante notare che il modo in cui si è svolta l'intervista si è rivelato un fattore cruciale. Più persone intervistate online non hanno partecipato alla seconda fase rispetto a quelle intervistate per telefono.

#Salute e Altri Influssi

I problemi di salute sono emersi anche come un fattore chiave. Sembra che le aree più colpite dal COVID-19 abbiano visto tassi più elevati di non risposte. Anche il livello di attività fisica delle persone durante la pandemia ha giocato un ruolo: quelli meno attivi sembravano più propensi a ritirarsi.

#Cosa Significa Tutto Questo

Prevedere chi potrebbe non rispondere ai sondaggi è fondamentale per le organizzazioni. Comprendendo i fattori che portano alle non-risposte, possono pianificare meglio per futuri sondaggi. I risultati qui non sono solo utili per lo studio ELSA, ma possono anche essere applicati a vari sondaggi e studi.

#Conclusione

In questa analisi del dataset ELSA COVID-19, ci siamo immersi nella previsione delle non-risposte e abbiamo evidenziato fattori importanti che hanno influenzato le decisioni dei partecipanti. Mentre random forest e KNN si sono distinti, la regressione logistica ha mostrato notevoli capacità di generalizzazione.

Identificando questi fattori, è chiaro che le organizzazioni possono prendere decisioni informate e risparmiare tempo e risorse per futuri sondaggi!

Speriamo che le nostre previsioni aiutino a migliorare quei tassi di risposta la prossima volta, perché dopotutto, chi non vorrebbe far parte di uno studio che dà loro voce?