从网络中抽样：受访者驱动抽样
应用统计
2020-08-18 v2
摘要
受访者驱动抽样（Respondent-Driven Sampling, RDS）是链接追踪的一种变体，一种利用社区成员社交网络接触潜在参与者以调查难以触及群体的抽样技术。作为一种基于网络的抽样方法，RDS面临着从总体网络中抽样的根本问题，其中同质性（具有相似特征个体共享社会联系的倾向）和差异活跃度（按属性平均连接数之比）等特征对抽样方法的选择十分敏感。尽管RDS文献中未明确描述，但存在许多简单方法可生成具有特定网络特征水平的模拟RDS数据，其重点在于估计简单估计量。然而，这些方法能否一致地恢复那些目标网络特征仍不清楚。近期研究发现某些总体网络参数（如同质性）无法仅从RDS数据中一致估计，这也推动了本研究\citep{Crawford17}。本文通过模拟研究评估现有RDS模拟方法的准确性，考察其生成具有目标水平的两个网络参数（同质性及差异活跃度）的RDS样本的能力。结果表明：(1)同质性无法从模拟RDS样本中一致估计；(2)当按特征定义的群体在总体中活跃度相等且占比相等时，差异活跃度的估计更精确。我们采用该方法模拟了Engage研究的特征，后者为蒙特利尔男男性行为者（包括同性恋、双性恋及其他）的RDS样本。
引用
@article{arxiv.2002.05793,
title = {Sampling from Networks: Respondent-Driven Sampling},
author = {Mamadou Yauck and Erica E. M. Moodie and Herak Apelian and Marc-Messier Peet and Gilles Lambert and Daniel Grace and Nathan J. Lachowsky and Trevor Hart and Joseph Cox},
journal= {arXiv preprint arXiv:2002.05793},
year = {2020}
}