On the impossibility of constructing good population mean estimators in a realistic Respondent Driven Sampling model
目前的方法，从受访者驱动抽样（RDS）收集的数据的人口平均估计是基于霍维茨-汤普森估计连同一组假设的抽样模型下，包含概率可以确定从数据中包含的信息。在本文中，我们认为，这样的一套假设是过于简单，是现实的，在现实的抽样模型，情况要复杂得多。具体来说，我们研究了一个现实的RDS采样模型，是由现实世界的RDS数据集的动机。我们表明，对于这个模型，包含概率，这是必要的应用程序的Horvitz-Thompson估计，不能单独由样本中的信息来确定。这意味着，除非获得有关底层人口网络的额外信息，否则从目前的RDS数据中设想人口均值估计的一般理论是无望的。
2014-11-07 stat.AP stat.ME
Diagnostics for Respondent-driven Sampling
应答者驱动抽样（RDS）是一种广泛使用的方法，用于从难以接触的人群，特别是艾滋病毒/艾滋病风险最高的人群中进行抽样。数据是通过同行推荐过程收集的，在这个过程中，现有的样本成员利用现有的社交网络招募更多的样本成员。RDS已被证明是在许多困难环境中收集数据的实用方法，并已被世界各地的主要公共卫生组织采用。不幸的是，从RDS数据的推断需要许多强有力的假设，因为抽样设计是不完全知道，部分是超出了研究人员的控制。在本文中，我们介绍了诊断工具的基础RDS推理的假设。我们还将这些诊断应用于对12个艾滋病毒/艾滋病风险增加的人群的案例研究。我们开发这些诊断方法是为了使RDS研究人员能够更好地理解他们的数据，并鼓励未来对RDS的统计研究。
2012-09-27 stat.AP stat.ME
Partially Directed Configuration Model with Homophily and Respondent-Driven Sampling
针对经典RDS推断假设无向网络而忽略有向性与同质性的问题，本文提出部分有向同质性配置模型及两种RDS抽样过程数学表示，模拟表明其能改善患病率估计。
2025-03-18 stat.AP stat.ME
Binary regression analysis with network structure of respondent-driven sampling data
响应者驱动抽样（RDS）是一种从难以接触的人群中抽样的程序。它已在一些国家广泛使用，特别是在监测艾滋病毒/艾滋病和其他性传播感染方面。难以接触到的人群在此类流行病的动态中发挥着关键作用，必须为旨在遏制其传播的循证举措提供信息。在本文中，我们提出了一个简单的测试网络依赖的二进制响应变量。我们估计响应变量的患病率。我们还提出了一个二元回归模型，考虑到RDS结构，这是包括在模型中，通过一个潜在的随机效应与相关结构。拟议的模式是说明在RDS研究艾滋病毒和梅毒的男性发生性行为的男子在坎皮纳斯（巴西）。
2012-06-25 stat.AP stat.ME
Network Structure and Biased Variance Estimation in Respondent Driven Sampling
本文探讨了被访者驱动抽样（RDS）中抽样方差估计的偏差问题。以前的RDS方法学工作集中在其有问题的假设和偏差和效率低下的人口平均估计。尽管如此，研究人员只给予轻微的关注，估计抽样方差RDS的主题，尽管方差估计的重要性，置信区间和假设检验的建设。在本文中，我们表明，RDS抽样方差的估计依赖于一个关键的假设，即网络是一阶马尔可夫（FOM）的因变量的利益。我们证明，通过直观的例子，数学概括，和计算实验，目前的RDS方差估计将总是低估RDS在不符合FOM假设的经验网络的人口抽样方差。对Facebook和Add Health的215个大学和学校网络的分析表明，我们分析的每个经验网络都违反了FOM假设，这些违反行为导致了抽样方差的RDS估计值存在很大偏差。我们提出并测试了两种替代方差估计，显示出一定的承诺，减少偏见，但也说明了估计抽样方差的限制，只有部分信息的底层人口社会网络。
2015-12-04 cs.SI stat.AP stat.ME
Sampling from Networks: Respondent-Driven Sampling
响应者驱动抽样（RDS）是链接追踪的一种变体，链接追踪是一种利用社区成员的社交网络来接触潜在参与者的调查难以接触的社区的抽样技术。作为一种基于网络的抽样方法，RDS面临着从人口网络中抽样的基本问题，其中诸如同质性（具有相似特征的个体共享社会联系的倾向）和差异活动（属性连接的平均数量的比率）等特征对抽样方法的选择很敏感。虽然在RDS文献中没有明确描述，但存在许多简单的方法来生成具有特定网络特征水平的模拟RDS数据，其中重点是估计简单的被估量。然而，这些方法在持续恢复这些目标网络特征的能力方面的准确性仍然不清楚。这也是由于最近的研究发现，一些人口网络参数（例如，单从RDS数据\citep{Crawford17}不能一致地估计同源性）。在本文中，我们进行了模拟研究，以评估现有的RDS模拟方法的准确性，在他们的能力，以产生RDS样本的两个网络参数所需的水平：同质性和差分活动。结果表明：（1）同质性不能一致地估计从模拟RDS样本和（2）差异活动估计更精确时，组，定义的性状，是同样活跃，在人口中的代表。我们使用这种方法来模仿参与研究的特征，参与研究是一个在蒙特利尔与男性发生性关系的同性恋、双性恋和其他男性的RDS样本。
2020-08-14 stat.AP
Estimating Hidden Population Size using Respondent-Driven Sampling Data
响应者驱动抽样（RDS）是一种在难以接触的人群中进行抽样设计和推断的方法。通常，没有抽样框架，很难从更广泛的抽样框中确定或招募人口成员。常见的例子包括注射毒品使用者、男男性行为者和女性性工作者。大多数RDS数据的分析都集中在估计总体特征，如疾病患病率。然而，RDS通常是在人口规模未知和具有很大独立利益的环境中进行的。本文提出了一种方法来估计的基础上通过RDS收集的数据的目标人群的大小。所提出的方法使用一个连续的采样近似RDS利用信息的有序序列中观察到的个人网络的大小。推理使用贝叶斯框架，允许将先验知识。一个灵活的类的人口规模的先验提出了艾滋病启发。一个广泛的模拟研究提供了深入了解的性能的方法估计人口规模在广泛的条件下。进一步的研究表明，该方法也提高了聚集体特征的估计。一个特定的选择的先验产生良好的频率属性的区间估计。最后，该方法显示出合理的结果时，用于估计在萨尔瓦多的两个城市的艾滋病毒的风险最高的亚人群的数量。
2012-09-27 stat.AP stat.CO stat.ME
Respondent-driven sampling and an unusual epidemic
在对难以接触和/或受到污名化的社区进行抽样时，经常使用受访者驱动抽样。RDS利用同伴驱动的招募机制，抽样的个人将参与优惠券传递给社区中最多$c$他们的熟人（$c=3$是一个常见的选择），然后反过来传递给他们的熟人，如果他们选择参加，等等。这个分发优惠券的过程表现得像一个新的Reed-Frost型网络流行病模型，其中被感染对应于接收优惠券。与现有网络流行病模型的区别在于，受感染的个体不能感染（即，示例）的所有联系人，但仅限于其中的最多$c$。我们计算$R_0$，一个大的“爆发”的概率，和一个大爆发的相对大小的限制，无限的人口规模和评估其在有限的人口充分。我们研究了不同$c$的影响，并将RDS与相应的通常流行病模型，即$c=\infty$的情况。我们的研究结果表明，优惠券的数量有很大的影响RDS招聘。此外，我们用我们的研究结果来解释以前的经验观察。
2014-11-11 cs.SI math.PR physics.soc-ph
Identification of homophily and preferential recruitment in respondent-driven sampling
响应者驱动抽样（RDS）是一种链接追踪程序，用于调查隐藏或难以接触的人群，其中受试者通过他们的社交网络招募其他受试者。在网络中检测流行病学特征的聚类或依赖性是一个重要的研究兴趣，但研究人员对RDS研究的数据是否能揭示这一点存在分歧。RDS研究中，招聘者和被招聘者的特征依赖性有两种不同的机制：同质性，个人倾向于与其他表现出相似特征的人分享社会联系，以及优先招募，招募者不会从他们的可用分身中随机招募。RDS研究中网络同质性和优先招募的不同影响一直是RDS方法学研究和隐藏人群健康风险社会背景实证研究的混乱来源。在本文中，我们给出了严格的同质性和优先招聘的定义，并表明，既不能精确地测量在一般的RDS研究。我们推导出同质性和优先招聘的非参数识别区域，并表明这些参数是不确定的点，除非网络采取退化的形式。结果表明，同质性或招聘偏见的实证RDS研究测量的索赔可能是不可信的。我们应用我们的识别结果，涉及网络人口普查和RDS在哈特福德，CT注射吸毒者的人口研究。
2015-11-17 stat.AP stat.ME
Evaluating Policy Effects through Opinion Dynamics and Network Sampling
Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
本文通过意见动力学和网络采样，研究政策揭示对象和讨论程度如何影响民众政策意见变化，并用Wasserstein距离量化政策信念偏移，为决策者在资源约束下评估政策效果提供定量工具。
2025-11-08 cs.SI stat.AP
Hybrid Probabilistic-Snowball Sampling
雪球抽样是对人群进行抽样设计的通用名称，要求受访者在其社会关系中分享问卷。除了一些例外，雪球抽样的估计值被认为是有偏差的。然而，偏差的大小受到抽样设计元素和目标人群特征的组合的影响。混合概率-雪球抽样设计（HPSSD）旨在通过对雪球的第一阶段0进行随机过抽样来减少雪球样本中的主要偏倚来源。为了检查HPSSD的应用程序的行为，我们开发了一种算法，通过将随机块模型的边缘嫁接到集团图中，模拟烟草吸烟者的网络。不同的HPSSD操作的结果进行了模拟。对8,000次模拟运行的推断导致认为HPSSD不会提高已经具有代表性的样本的可靠性。但如果群体中的同质性足够低，即使是HPSSD的未经调整的样本均值也比随机但规模过小的抽样略好。消除HPSSD估计值的偏置表明性能有所改善，因此调整后的HPSSD估计值是一个理想的发展。
2022-04-04 stat.AP stat.CO stat.ME
Randomized Recruitment Driven Sampling
University of Washington（华盛顿大学）；Columbia Business School, Columbia University（哥伦比亚大学商学院）；CEPR（经济政策研究中心）
RRDS通过引入研究者控制的随机化，改进了传统RDS在低污名化群体中的应用，减少偏差并提高置信区间覆盖。
2026-10-23 econ.GN q-fin.EC stat.AP
Emulation methods and adaptive sampling increase the efficiency of sensitivity analysis for computationally expensive models
具有高维参数空间的模型在许多应用中是常见的。全局敏感性分析可以提供有关不确定输入和相互作用如何影响输出的见解。许多敏感性分析方法面临着计算需求模型的非平凡挑战。应对这些挑战的常见方法是（i）使用计算效率高的仿真器和（ii）自适应采样。然而，这些方法仍然涉及潜在的大的计算成本和近似误差。在这里，我们比较的结果和计算成本的四个现有的全球敏感性分析方法应用于测试问题。我们采样不同的模型评估时间和模型参数的数量。我们发现，仿真和自适应采样的方法比Sobol的方法更快的慢模型。贝叶斯自适应样条曲面方法对于大多数慢速和高维模型是最快的。本文的研究结果可以指导在计算资源约束下敏感性分析方法的选择。
2023-02-18 stat.AP
Sensitivity Analysis for Active Sampling, with Applications to the Simulation of Analog Circuits
Université Toulouse III - Paul Sabatier（图卢兹第三大学 - 保罗·萨巴蒂尔大学）；NXP Semiconductors（恩智浦半导体）
针对模拟电路仿真中参数多、难拟合代理模型与高效探索设计空间的问题，提出结合灵敏度分析降维和贝叶斯代理建模的主动采样流程，在合成与真实数据集上表现优于常规蒙特卡洛采样。
2024-05-13 cs.LG stat.AP stat.ME
Adaptively Sampling via Regional Variance-Based Sensitivities
受基于方差的全局敏感性分析方法的启发，提出了一种局部总敏感性指标，该指标将全局总敏感性条件分解为自变量的值。我们采用这种局部灵敏度指数的试验设计，顺序和自适应采样的多变量函数的域根据局部贡献的全局方差的新方法。该方法被证明在一个非线性的说明性的例子，具有一个三维域和一个三维的codomain，但也对一个复杂的，高维的模拟，用于评估从生物质生产生物制品的工业可行性。
2021-07-20 stat.AP stat.ME
Fetal cardiovascular decompensation during labor predicted from the individual heart rate: a prospective study in fetal sheep near term and the impact of low sampling rate
我们提出了一种新的计算机化的胎儿心率产时算法的早期和个性化的预测胎儿心血管代偿失调，导致脑损伤的因果链中的一个关键事件。这种实时机器学习算法在嘈杂的胎儿心率数据上表现良好，并且需要约2个小时来对第一产程中的个体胎儿心率描记进行训练;一旦训练完毕，该算法就以92%的灵敏度预测胎儿心血管失代偿事件。我们表明，该算法的性能遭受降低灵敏度为67%时，胎儿心率的采样率为4 Hz的超声心脏分娩监护仪相比，心电图（ECG）衍生的信号，可以从产妇腹部ECG采集。
2019-11-05 q-bio.QM stat.AP
Sampling from Gaussian Processes: A Tutorial and Applications in Global Sensitivity Analysis and Optimization
University of Houston（休斯顿大学）
本文介绍了两种高效采样方法，用于在降低计算成本的同时从高斯过程中生成后验样本，并应用于全局敏感性分析和优化问题。
2025-12-31 cs.LG math.OC stat.AP
