关联自我中心网络：利用受访者驱动抽样提高估计可靠性和有效性

受访者驱动抽样（RDS）目前广泛用于HIV/AIDS相关高危人群的研究。然而，近期研究表明，由于RDS背后的假设在现实中很少完全满足，传统RDS方法可能产生较大的方差，并且可能存在严重偏差。为了改进RDS研究中的估计，我们提出了一种新方法，利用自我中心网络数据生成估计，这些数据通过询问RDS受访者其个人网络的构成来收集，例如“你的朋友中已婚的比例是多少？”。通过在提取的真实男同性恋社交网络以及具有不同结构属性的人工网络上进行模拟，我们表明新估计量RDSI^{ego}优于传统RDS估计量。重要的是，RDSI^{ego}对同伴招募偏好和网络结构属性（如同质性、活动比率和社区结构）的变化表现出很强的稳健性。传统RDS估计量的偏差有时可能高达10%~20%，而所有RDSI^{ego}估计的偏差都被很好地控制在2%以内。因此，这些积极的结果鼓励研究人员通过RDS收集感兴趣变量的自我中心网络数据，既适用于难以接触的人群，也适用于随机抽样不适用时的一般人群。通过模拟假设不同报告误差水平的RDS，评估了RDSI^{ego}的局限性。