[論文レビュー] Generalizing the Network Scale-Up Method: A New Estimator for the Size of Hidden Populations

Dennis M. Feehan, Matthew Salganik|eScholarship (California Digital Library)|Apr 15, 2014

Complex Network Analysis Techniques参考文献 67被引用数 11

ひとこと要約

本稿では、非ランダムな社会的混合、不完全な認識、複雑な標本設計を考慮することで、隠れた集団のサイズ推定を改善する一般化されたネットワークスケールアップ推定法を提案する。基本的なスケールアップ法とは異なり、フレーム集団および隠れた集団の両方のデータを用いることで、現実のネットワーク状態下でもより高い頑健性と正確性を実現する。

ABSTRACT

The network scale-up method enables researchers to estimate the size of hidden populations, such as drug injectors and sex workers, using sampled social network data. The basic scale-up estimator offers advantages over other size estimation techniques, but it depends on problematic modeling assumptions. We propose a new generalized scale-up estimator that can be used in settings with non-random social mixing and imperfect awareness about membership in the hidden population. Further, the new estimator can be used when data are collected via complex sample designs and from incomplete sampling frames. However, the generalized scale-up estimator also requires data from two samples: one from the frame population and one from the hidden population. In some situations these data from the hidden population can be collected by adding a small number of questions to already planned studies. For other situations, we develop interpretable adjustment factors that can be applied to the basic scale-up estimator. We conclude with practical recommendations for the design and analysis of future studies.

研究の動機と目的

• ランダム混合や完全な認識を仮定するなど現実的でない仮定に依存する基本的なネットワークスケールアップ法の限界を是正すること。
• 非ランダムな社会的混合や不完全な認識の下でも機能する、より頑健な推定法の開発。
• 複雑な標本設計および不完全なサンプリングフレームを用いたサイズ推定を可能にし、実用的応用性を高めること。
• 隠れた集団からのデータが入手できない場合の補正要因の提供により、基本推定法に補正を加えて適用可能にする。
• 今後の隠れた集団を対象とした研究の設計および分析に役立つ実用的ガイドラインの提供。

提案手法

• フレーム集団および隠れた集団の両方のデータを組み込むことで推定精度を向上させる一般化スケールアップ推定法の提案。
• 集団サイズ、グループ所属、非一様混合（ζ、ξ、ρを介して）をパラメータとするストークスティックブロックモデルを用いて社会的ネットワークをモデル化。
• フレーム集団から隠れた集団メンバーへのエッジのうち、割合 (1−τF) をランダムに削除することで、不完全な認識を模擬する報告メカニズムを導入。
• 両集団からの集約的関係データを統合し、ネットワーク構造に応じた補正を加えることで、一般化推定法を用いて集団サイズを計算。
• 隠れた集団データが入手できない場合の基本スケールアップ推定法に対する補正要因を、シミュレーション結果に基づいて導出。
• CRANに公開されたオープンソースのRパッケージを用いて実装し、再現性と実用的応用を支援。

実験結果

リサーチクエスチョン

• RQ1 非ランダムな社会的混合（例：障壁効果）下で、一般化スケールアップ推定法は基本推定法と比べてどの程度の性能を示すか？
• RQ2 隠れた集団メンバーへの認識が不完全な場合、サイズ推定にどの程度の影響を与えるか、そしてその是正方法は何か？
• RQ3 複雑な標本設計および不完全なサンプリングフレーム下でも、一般化推定法は正確性を維持できるか？
• RQ4 推定バイアスに最も大きな影響を与えるネットワークの構造的特徴は何か、そしてそれらはどのようにモデル化できるか？
• RQ5 シミュレーションから導出された補正要因は、隠れた集団データが入手できない場合に、基本スケールアップ推定法の性能をどの程度向上させるか？

主な発見

• 非ランダム混合（ρ < 1）および不完全な認識（τF < 1）の下で、一般化スケールアップ推定法は基本推定法と比べて顕著にバイアスを低減する。
• 両集団からの集約的関係データに依存するため、次数分布やクラスタリングの変化に対しても頑健である。
• シミュレーションの結果、ρ = 0.1（極端な非一様混合）の場合、基本スケールアップ推定法は隠れた集団サイズを50%以上過小推定するが、一般化推定法はそのバイアスを顕著に低減する。
• シミュレーションから導出された補正要因は、隠れた集団データが入手できない場合に基本スケールアップ推定法を効果的に補正でき、テストされたシナリオでは正確性を最大40%まで向上させる。
• 本手法は、集団サイズ、フレーム集団の割合（pF）、報告精度（τF）のさまざまな条件下でも良好に機能し、広範な適用可能性を示す。
• オープンソースのRパッケージにより、研究者は実際のネットワークモデルを用いた一般化推定法の実装および感度分析を容易に行える。