برآورد نااريب نسبت جمعيت‌هاي پنهان در معرض بيماري‌هاي پرخطر

Unbiased Estimator of Population Proportion for Hidden Populations Exposed to High-Risk Diseases

مقدمه: ازآن‌جا كه سلامت جامعه در اثر بروز بيماري‌هاي پرخطر با مخاطره همراه مي‌باشد، همواره جمعيت‌هاي در معرض اين بيماري‌ها به خصوص جمعيت‌هاي پنهان، مورد توجه پژوهشگران و سياست‌گذاران بهداشت عمومي قرار دارند. روش‌هاي متداولي كه براي نمونه‌گيري و محاسبه برآورد نسبت اين جمعيت‌ها مورد استفاده محققان قرار مي‌گيرد، اغلب منجر به كم يا بيش‌برآوردي اين نسبت‌ها در جمعيت‌هاي مورد مطالعه مي‌گردد. با وجود معرفي روش‌هاي نمونه‌گيري كارايي همچون روش نمونه‌گيري پاسخگو محور از بيش از دو دهه پيش تاكنون، اما به دليل عدم آشنايي پژوهشگران اين حوزه با نحوه محاسبه برآوردها در نمونه‌هاي به دست آمده از اين روش، كمتر از آن‌ در برآورد نسبت جمعيت‌هاي پنهان استفاده مي‌گردد. هدف از انجام مطالعه حاضر، معرفي برآوردهاي نسبت‌هاي جمعيتي براي متغيرهاي كيفي مانند ابتلا به بيماري، با استفاده از برآوردهاي احتمال روابط درون و برون‌گروهي و اندازه شبكه اجتماعي پاسخگويان بود. روش‌ها: با فرض وجود روابط دوطرفه در جمعيت هدف و انجام نمونه‌گيري با جاي‌گذاري، در اين مطالعه برآورد نسبت‌هاي جمعيتي با استفاده از برآوردهاي احتمال روابط درون و برون‌ گروهي و اندازه شبكه اجتماعي پاسخگويان محاسبه گرديد. يافته‌ها: تئوري‌هاي موجود و شبيه‌سازي‌هاي رايانه‌اي نشان داد كه برآوردهاي معرفي شده براي نسبت جمعيت‌هاي پنهان، به طور مجانبي نااريب بودند و نرخ همگرايي بالايي داشتند. نتيجه‌گيري: عدم انتخاب صحيح روش نمونه‌گيري و همچنين، محاسبه برآورد نسبت جمعيت‌هاي پنهان كه در معرض بيماري‌هاي پرخطر هستند و در سياست‌گذاري‌هاي بهداشتي تأثيرگذار مي‌باشند، نتايج قابل قبولي در رسيدن به اهداف اين سياست‌گذاري‌ها ارايه نخواهد داد.

Background: Since society health is threatened by high risk diseases, populations exposed to these diseases, especially hidden populations, always attract the attention of researchers and policy makers in the field of public health. Conventional methods that are used by researchers for sampling and calculating population proportion estimation often lead to underestimation or overestimation of these proportions in the studied populations. Efficient sampling methods such as respondent-driven sampling (RDS) method have been introduction more than two decades ago. However, due to the unfamiliarity of researchers in this field with the technique of calculating estimations for samples in this method, this sampling method is less applied in estimating proportions of hidden populations. The main objective of the current study was to introduce estimators of population proportions for qualitative variables such as disease occurrence through estimates of the probability of intergroup and intragroup relations and respondents’ social network size. Methods: In the present study, by assuming the existence of reciprocal relationships in the population and sampling with replacement, the population proportions were computed through estimating the probability of intergroup and intragroup relations and social network size of respondents. Findings: Existing theories and computer simulations showed that estimators introduced for proportions of hidden populations were asymptotically unbiased and had a high rate of convergence. Conclusion: The lack of selection of a suitable sampling method and computing method for estimating proportions of hidden populations, which are exposed to high-risk diseases and are effective in health policies, will not provide acceptable results in achieving the objectives of this policy.