Inference from multivariate differential recruitment in respondent-driven sampling data

这是一份关于论文《从响应驱动抽样数据中的多变量差异招募进行推断》（Inference from Multivariate Differential Recruitment in Respondent-Driven Sampling Data）的详细技术总结。

1. 研究背景与问题 (Problem)

响应驱动抽样 (RDS) 是一种用于获取难以触及或隐蔽人群（如吸毒者、性工作者、移民等）数据的链式推荐抽样设计。在 RDS 中，初始种子（seeds）招募其社交网络中的同伴，同伴再招募其他人，以此类推。

核心问题：

• 随机招募假设的局限性： 早期 RDS 文献假设参与者是随机招募同伴的（即每个联系被选中的概率相等）。然而，现实情况往往并非如此，参与者倾向于根据特定特征（如年龄、性别、教育程度、关系亲疏等）招募同伴，这种现象被称为差异招募 (Differential Recruitment, DR)。
• 现有方法的不足： 虽然已有研究（如 Beaudry & Gile, 2020）引入了单变量 DR 模型来纠正偏差，但这些模型仅能处理单一分类变量。在实际应用中，招募行为通常受多个变量（包括连续变量如年龄差，和分类变量如性别、职业）的同时影响。忽略这些多变量因素会导致种群比例估计出现显著偏差。

研究目标： 提出一种多变量差异招募 (Multivariate Differential Recruitment, MDR) 框架，将多个协变量（分类和连续）同时纳入抽样模型，以改进 RDS 数据的统计推断。

---

2. 方法论 (Methodology)

作者将 RDS 建模为一个马尔可夫链 (Markov Chain, MC)，并扩展了现有的估计量和方差估计方法。

2.1 抽样模型 (Sampling Model)

• 状态空间： 目标人群网络中的节点。
• 转移概率： 定义节点 $i$ 招募节点 $j$ 的转移概率 $P_{ij}^{MDR}$ 为协变量向量 $x_{ij}$ 的函数：
  $$P_{ij}^{MDR} = \frac{y_{ij} \exp(x_{ij}^\top \beta)}{\sum_{l=1}^N y_{il} \exp(x_{il}^\top \beta)}$$
  其中：
  • $y_{ij}$ 表示 $i$ 和 $j$ 之间是否存在连接。
  • $x_{ij}$ 是包含节点特定属性（如被招募者的年龄、性别）和关系属性（如招募者与被招募者之间的年龄差）的协变量向量。
  • $\beta$ 是未知参数向量，通过最大似然估计 (MLE) 进行估计。
• 平稳分布： 推导出了该马尔可夫链的唯一平稳分布 $\pi_i^{MDR}$，该分布作为个体被选入样本的概率权重。

2.2 扩展的流行率估计量 (Extended Prevalence Estimators)

基于上述平稳分布，作者扩展了两种现有的流行率估计量：

1. 扩展的 Volz-Heckathorn 估计量 ($\hat{\mu}_{MDR}^{II}$): 基于 Hájek 型估计量，利用 MDR 权重修正抽样概率。
2. 扩展的 Lu 估计量 ($\hat{\mu}_{MDR}^{ego}$): 基于局部网络组成的 Hájek 型估计量，同样引入 MDR 权重。
   • 这两个估计量均通过代入 $\hat{\beta}$ 计算出的估计平稳分布 $\hat{\pi}_i^{MDR}$ 来修正传统的随机招募或单变量 DR 估计量。

2.3 方差估计 (Variance Estimation)

• 采用并修改了 Yauck 等人 (2022) 提出的邻域 Bootstrap (Neighborhood Bootstrap, NB) 方法。
• 改进点： 原始 NB 方法生成的重采样样本大小不固定。作者修改了算法（Algorithm 1），通过调整招募者和被招募者的数量，确保每个 Bootstrap 重采样样本的大小严格等于原始样本大小 $n$，从而保证方差估计的稳定性。
• 置信区间基于正态近似构建。

---

3. 主要贡献 (Key Contributions)

1. 理论框架创新： 首次提出了 MDR 框架，能够同时处理影响招募行为的多个连续和分类协变量，突破了以往仅能处理单变量 DR 的限制。
2. 估计量扩展： 将流行的 RDS 估计量（VH 和 Lu）扩展到多变量 DR 场景，提供了更精确的种群比例估计公式。
3. 方差估计改进： 提出了一种固定样本大小的修正邻域 Bootstrap 方法，专门适用于 MDR 模型下的方差估计。
4. 实证验证： 通过广泛的模拟研究和真实的委内瑞拉移民数据应用，验证了该方法的有效性和优越性。

---

4. 研究结果 (Results)

4.1 模拟研究 (Simulation Study)

模拟实验生成了具有不同同质性（Homophily）水平和不同 MDR 强度（$\phi_{MDR}$）的网络。

• 偏差表现：
  • 在无 MDR 情况下，所有估计量基本无偏。
  • 在存在 MDR 时，假设随机招募的估计量（如 $\hat{\mu}_{VH}^{II}$）偏差急剧增加。
  • 单变量 DR 估计量（$\hat{\mu}_{DR}$）在存在多变量 MDR 时仍表现出偏差。
  • MDR 估计量（$\hat{\mu}_{MDR}^{II}$ 和 $\hat{\mu}_{MDR}^{ego}$）在所有 MDR 强度下均表现出最小的偏差。
• 均方根误差 (RMSE)：
  • $\hat{\mu}_{MDR}^{ego}$ (基于 Lu 的 MDR 估计量) 在绝大多数场景下（特别是存在同质性和 MDR 时）表现最佳，具有最低的 RMSE。
  • 在存在 MDR 时，$\hat{\mu}_{MDR}^{ego}$ 显著优于传统估计量。
• 置信区间覆盖率：
  • MDR 估计量通常能提供优于或等同于现有方法的覆盖率。
  • $\hat{\mu}_{MDR}^{II}$ 在某些无 MDR 场景下略显保守（覆盖率过高），而 $\hat{\mu}_{MDR}^{ego}$ 在复杂场景下表现更稳健。

4.2 实证应用 (Application)

• 数据： 2022 年智利圣地亚哥大都会区委内瑞拉成年移民的 RDS 调查数据（$N=375$）。
• 目标： 估计该人群中男性的比例。
• 协变量： 被招募者的年龄、性别、以及招募者与被招募者之间的年龄差。
• 发现：
  • 在原始数据中（MDR 效应较弱），各估计量结果差异不大，但 $\hat{\mu}_{MDR}^{ego}$ 和 $\hat{\mu}_{Lu}^{ego}$ 的标准误最小。
  • 在敏感性分析中（人为增强 MDR 效应），传统估计量偏差显著，而 MDR 估计量能够更有效地校正偏差，且 $\hat{\mu}_{MDR}^{ego}$ 保持了最小的标准误。
  • 结果表明，收集关于被招募者（alters）的详细信息对于识别和纠正招募偏差至关重要。

---

5. 意义与结论 (Significance & Conclusion)

• 提升推断准确性： 该研究证明了在 RDS 中考虑多变量招募偏差的重要性。忽略多个协变量会导致严重的估计偏差，而 MDR 框架能有效缓解这一问题。
• 方法论的普适性： 提出的模型不仅适用于分类变量，还能处理连续变量（如年龄差、收入差距等），极大地扩展了 RDS 的应用范围。
• 实践指导： 研究建议在未来的 RDS 调查中，应尽可能收集关于被招募者（alters）的详细特征数据（如年龄、性别、职业等），而不仅仅是招募者自身的数据，以便更准确地建模招募过程。
• 未来方向： 作者指出，实际应用中常面临被招募者信息缺失的问题（如只能获得聚合数据），未来的研究需要解决如何在信息不完全的情况下进行 MDR 推断及不确定性量化。

总结： 本文通过引入多变量差异招募模型，显著改进了 RDS 数据的统计推断能力，特别是在面对复杂的社交网络和招募偏好时，提供了更准确、更可靠的估计工具。其中，基于 Lu 估计量扩展的 $\hat{\mu}_{MDR}^{ego}$ 被证明是综合性能最优的估计量。