受访者驱动抽样中的网络结构与有偏方差估计
应用统计
2015-12-07 v3 社会与信息网络
统计方法学
摘要
本文探讨了受访者驱动抽样 (RDS) 中抽样方差估计的偏差问题。先前关于 RDS 的方法论工作主要集中在其有问题的假设以及总体均值估计量的偏差和低效上。尽管如此，尽管方差估计对于构建置信区间和假设检验至关重要，研究人员却很少关注 RDS 中抽样方差估计这一主题。在本文中，我们表明 RDS 抽样方差的估计量依赖于一个关键假设，即网络关于感兴趣的因变量是一阶马尔可夫 (FOM) 的。我们通过直观示例、数学推广和计算实验证明，在不符合 FOM 假设的经验网络中，当前的 RDS 方差估计量总是会低估 RDS 的总体抽样方差。对来自 Facebook 和 Add Health 的 215 个观测到的大学和学校网络的分析表明，我们要分析的每个经验网络都违反了 FOM 假设，并且这些违反导致 RDS 抽样方差估计量产生显著偏差。我们提出并测试了两种替代方差估计量，它们在减少偏差方面显示出一定前景，但也说明了仅凭底层人口社会网络的部分信息来估计抽样方差的局限性。
引用
@article{arxiv.1309.5109,
title = {Network Structure and Biased Variance Estimation in Respondent Driven Sampling},
author = {Ashton M. Verdery and Ted Mouw and Shawn Bauldry and Peter J. Mucha},
journal= {arXiv preprint arXiv:1309.5109},
year = {2015}
}
备注
56 pages, 5 figures, 5 tables