[論文レビュー] Linked Ego Networks: Improving Estimate Reliability and Validity with Respondent-driven Sampling

Xin Lü|arXiv (Cornell University)|May 9, 2012

HIV, Drug Use, Sexual Risk参考文献 35被引用数 3

ひとこと要約

本稿では、被験者が友人に関する特徴を報告するようなエゴネットワークデータを統合することで、推定の信頼性と妥当性を向上させる、RDSI^{ego}と呼ばれる新しい respondent-driven sampling 評価手法を提案する。ブートストラップ手順に同伴者の募集好みとネットワーク構造を組み込むことで、RDSの仮定が著しく破られる状況下でもバイアスを2%未塔に抑えることができ、従来のRDS推定手法が10–20%のバイアスを示すのに対し、優れた性能を発揮する。

ABSTRACT

Respondent-driven sampling (RDS) is currently widely used for the study of HIV/AIDS-related high risk populations. However, recent studies have shown that traditional RDS methods are likely to generate large variances and may be severely biased since the assumptions behind RDS are seldom fully met in real life. To improve estimation in RDS studies, we propose a new method to generate estimates with ego network data, which is collected by asking RDS respondents about the composition of their personal networks, such as "what proportion of your friends are married?". By simulations on an extracted real-world social network of gay men as well as on artificial networks with varying structural properties, we show that the new estimator, RDSI^{ego} shows superior performance over traditional RDS estimators. Importantly, RDSI^{ego} exhibits strong robustness to the preference of peer recruitment and variations in network structural properties, such as homophily, activity ratio, and community structure. While the biases of traditional RDS estimators can sometimes be as large as 10%~20%, biases of all RDSI^{ego} estimates are well restrained to be less than 2%. The positive results henceforth encourage researchers to collect ego network data for variables of interests by RDS, for both hard-to-access populations and general populations when random sampling is not applicable. The limitation of RDSI^{ego} is evaluated by simulating RDS assuming different level of reporting error.

研究の動機と目的

• 現実世界の設定においてRDSの仮定が破られることが原因で生じる、従来のrespondent-driven sampling (RDS)推定手法の高いバイアスと分散を是正すること。
• サンプリングフレームが入手できない困難にアクセスしにくい集団における推定の信頼性と妥当性を向上させること。
• 差別的募集や同質性、活動比、コミュニティ構造などのネットワーク構造的特性を考慮した、頑健な推定手法の開発。
• 報告誤差が推定手法の性能に与える影響を評価し、エゴネットワークに基づくブートストラップ手法によって信頼区間のカバレッジを向上させること。
• 困難にアクセスしやすい集団および一般集団の両方の母集団推定精度を向上させるために、RDS研究におけるエゴネットワークデータ収集を促進すること。

提案手法

• RDSI^{ego}推定手法は、『あなたの友人のうち何パーセントが婚姻済みですか？』といった質問を通じて収集されたエゴネットワークデータを用い、同伴者募集確率を推定する。
• ランダムな募集仮定を廃止し、エゴネットワークに基づく募集確率推定値 $\hat{s}_{AB}^{ego}$ および $\hat{s}_{BA}^{ego}$ を用いてブートストラップ手順を変更する。
• 逆次数重み付けを用いてサンプリングバイアスを是正する再重み付けされたランダムウォーク（RWRW）フレームワークを適用する。
• より正確な信頼区間を得るために、エゴネットワークに基づく募集確率を用いてブートストラップリサンプリングを実施する。
• 実世界の（MSMの）ネットワークと人工ネットワークを用い、構造的性質が異なる条件下で推定手法の性能をテストするためのシミュレーションを実施する。
• ランダム募集と差別的募集の両条件下で、90%および95%信頼区間のカバレッジ率を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 RDS推定にエゴネットワークデータを統合することで、RDS仮定の破れ下でのバイアスはどのように低減されるか？
• RQ2 差別的募集下で、RDSI^{ego}は従来のブートストラップ手法と比較して信頼区間のカバレッジをどの程度向上させるか？
• RQ3 RDSI^{ego}は、同質性、活動比、コミュニティ構造などのネットワーク構造の変動に対してどの程度頑健か？
• RQ4 エゴネットワークデータの報告誤差がRDSI^{ego}の性能に与える影響は何か？
• RQ5 RDSI^{ego}は、多様なネットワークトポロジーと募集パターンの下でも、低バイアスと高いカバレッジを維持できるか？

主な発見

• RDSI^{ego}は、すべてのシミュレーション条件下でも推定バイアスを2%未塔に低減する。これは、RDS仮定が著しく破られる状況下でも同様である。
• 従来のRDS推定手法は、差別的募集や非ランダムなネットワーク構造下で、10–20%のバイアスを示すことがあった。
• エゴネットワークに基づく募集確率を用いる修正ブートストラップ手順 $BS\textrm{-}ego2$ は、差別的募集下で $BS\textrm{-}ego1$ よりも5–10%高いカバレッジ率を達成する。
• KOSKKネットワークでは、極端に差別的募集が強い状況下で $BS\textrm{-}ego2$ は $BS\textrm{-}ego1$ よりも8–14%高いカバレッジ率を示す。
• 報告誤差がエゴネットワークデータに存在しても、RDSI^{ego}は強い頑健性を示し、大多数のシナリオでバイアスが2%未塔に保たれる。
• $BS\textrm{-}ego2$ を用いた信頼区間は、$BS\textrm{-}origin$ よりも顕著に高いカバレッジを示す。特に差別的募集下では $BS\textrm{-}origin$ のカバレッジが50%未塔に低下する。