相应者驱动抽样中的偏倚-方差和广度-深度权衡
摘要：对不可接触人群进行研究的响应者导向抽样（RDS）是一种追踪网络抽样策略，用于收集来自某些难以接触的人群（如注射毒品者或高风险HIV感染者）的数据。其机制是找到初始参与者（种子），给予每个参与者一定数量的优惠券，使其从目标人群中推荐他们认识的人，并提供经济激励。新参与者再次获得优惠券，循环重复该过程。目前，在实践中使用的标准RDS估计器被称为Volz-Heckathorn（VH）估计器。它依赖于关于底层社交网络和RDS过程的强假设。通过模拟，我们研究了当后者的假设不满足时，普通均值估计器和VH估计器的相对性能，包括不同类型的网络（包括同质性和富者更富网络）、参与者推荐模式和优惠券数量的变化。分析结果表明，在许多但不是所有的模拟设置中，包括同质性网络，普通均值优于VH估计器。此外，我们强调了多次推荐和不同的推荐模式对RDS过程的深度产生的影响。我们开发了交互式可视化工具，以进一步了解各种因素对当前RDS估计技术性能的贡献。
作者：Sergiy Nesterko and Joseph Blitzstein
论文ID：1210.6059
分类：Computation
分类简称：stat.CO
提交时间：2012-10-24