[논문 리뷰] Network Model-Assisted Inference from Respondent-Driven Sampling Data

Krista J. Gile, Mark S. Handcock|arXiv (Cornell University)|2011. 08. 01.

HIV, Drug Use, Sexual Risk참고 문헌 5인용 수 13

한 줄 요약

이 논문은 응답자 기반 샘플링(RDS) 데이터에 대한 모델 보조 설계 기반 추정기(μ_MA)를 제안한다. 이는 초기 시드 선택과 동질성의 영향을 보정하기 위해 인구 네트워크의 작업 모델로 지수족 확률 그래프 모델(ERGM)을 사용한다. 기존 RDS 추정기보다 정확도가 향상되며, 특히 초기 시드가 편향된 경우에 유의미하게 개선되며, 부트스트랩을 통해 불확실성 추정이 가능하다. 이는 우크라이나의 투약 중독자 집단에서의 에이즈 바이러스 유병률 추정에서 입증되었다.

ABSTRACT

Respondent-Driven Sampling is a method to sample hard-to-reach human populations by link-tracing over their social networks. Beginning with a convenience sample, each person sampled is given a small number of uniquely identified coupons to distribute to other members of the target population, making them eligible for enrollment in the study. This can be an effective means to collect large diverse samples from many populations. Inference from such data requires specialized techniques for two reasons. Unlike in standard sampling designs, the sampling process is both partially beyond the control of the researcher, and partially implicitly defined. Therefore, it is not generally possible to directly compute the sampling weights necessary for traditional design-based inference. Any likelihood-based inference requires the modeling of the complex sampling process often beginning with a convenience sample. We introduce a model-assisted approach, resulting in a design-based estimator leveraging a working model for the structure of the population over which sampling is conducted. We demonstrate that the new estimator has improved performance compared to existing estimators and is able to adjust for the bias induced by the selection of the initial sample. We present sensitivity analyses for unknown population sizes and the misspecification of the working network model. We develop a bootstrap procedure to compute measures of uncertainty. We apply the method to the estimation of HIV prevalence in a population of injecting drug users (IDU) in the Ukraine, and show how it can be extended to include application-specific information.

연구 동기 및 목표

• . 초기 샘플이 비확률적이고 편향된 경우 RDS 데이터에 대한 신뢰할 수 있는 추론 방법의 부족을 다룬다.
• . RDS 연구에서 초기 시드를 편의 샘플링한 데서 기인하는 선택 편향을 보정하고자 한다.
• . 작업 ERGM 모델을 통해 네트워크 구조를 통합하여 추정 정확도를 향상시키고자 한다.
• . 알려지지 않은 인구 규모와 모델 오특함이 존재하는 상황에서 불확실성을 측정하기 위한 부트스트랩 절차를 개발하고자 한다.
• . 모집단의 특수한 네트워크 특성(예: 감염 상태에 따른 모집단 패턴)을 적용 분야에 맞게 통합할 수 있는 유연성을 확보하고자 한다.

제안 방법

• . 제안된 추정기 μ_MA는 대상 모집단의 사회적 네트워크 구조를 모델링하기 위해 작업 ERGM을 사용하는 설계 기반 접근법이다.
• . 이 방법은 편향된 초기 시드와 동질성으로 인해 발생하는 무시할 수 없는 선택 메커니즘을 보정하기 위해 네트워크 모델을 통합한다.
• . 응답자의 네트워크 위치(ERGM에서 유도됨)에 따라 가중치를 적용하여 포함 확률이 불균형한 경우를 보정함으로써 인구 비율을 추정한다.
• . 표본 변동성과 모델 불확실성을 모두 고려하여 표준 오차를 계산하기 위해 부트스트랩 절차를 개발하였다.
• . 이 접근법은 보조 정보(예: 추천 패턴 또는 특정 특성에 대한 동질성)를 ERGM 프레임워크 내에 통합할 수 있다.
• . 이 방법은 우크라이나의 투약 중독자 집단에서의 실제 RDS 데이터에 적용되었으며, 모집단 규모와 네트워크 모델 오특함에 대한 민감도 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 . 모델 보조 설계 기반 추정기는 RDS 연구에서 초기 시드 선택의 편향을 어느 정도 줄일 수 있는가?
• RQ2 . 초기 시드 편향과 동질성이 존재하는 조건에서 제안된 μ_MA 추정기는 기존 RDS 추정기(예: μ_VH, μ_SS)와 비교해 어떻게 성능을 발휘하는가?
• RQ3 . 작업 네트워크 모델의 오특함 또는 모집단 규모 추정 오류에 대해 μ_MA 추정기는 얼마나 민감한가?
• RQ4 . 감염 상태에 따라 다르게 모집단하는 등의 적용 분야 특화 네트워크 특성을 효과적으로 통합할 수 있는가?
• RQ5 . 네트워크의 전이성은 추정기 성능에 어떤 영향을 미치며, 높은 군집도가 존재하는 상황에서 작업 모델은 여전히 강건한가?

주요 결과

• . 초기 시드 샘플이 편향된 경우, 특히 동질성이 존재할 경우 μ_MA 추정기는 μ_VH 및 μ_SS와 같은 기존 추정기보다 유의미하게 뛰어나다.
• . 작업 네트워크 모델의 중간 정도 오특함에 대해서도 μ_MA 추정기는 강건하며, 높은 전이성 조건에서만 약간의 영향을 보였다.
• . 민감도 분석 결과, 모집단 규모가 중간 정도로 과소평가되어도 μ_MA는 잘 작동하지만, 심한 과소평가에서는 성능이 저하됨을 확인하였다.
• . 부트스트랩 절차는 추정치의 불확실성을 효과적으로 포착하여 추론에 신뢰할 수 있는 표준 오차를 제공하였다.
• . 우크라이나의 투약 중독자 집단에서의 HIV 유병률 적용 사례에서, 이 방법은 더 강건한 μ_SH 추정기의 결과와 유사한 추정치를 도출하여 편향 보정이 향상됨을 시사하였다.
• . 이 방법은 보조 데이터(예: 추천 패턴)의 탄력적 통합을 가능하게 하여 모델의 현실성과 추정 정확도를 향상시켰다.