首页/论文/1312.4271

arXiv 1312.42712013-12math.PRmath.STstat.TH

响应者驱动抽样下的稠密图极限

Dense graph limits under respondent-driven sampling

Siva Athreya, Adrian Röllin

备注：: Published at http://dx.doi.org/10.1214/15-AAP1144 in the Annals of Applied Probability (http://www.imstat.org/aap/) by the Institute of Mathematical Statistics (http://www.imstat.org)
发表信息：: Annals of Applied Probability 2016, Vol. 26, No. 4, 2193-2210
DOI：: 10.1214/15-AAP1144

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们认为某些响应驱动的采样程序稠密图。证明了如果顶点集序列是遍历的，则极限图可以通过与遍历序列的不变测度有关的变换表示为原稠密图.对于特定的采样过程，我们明确地描述了转换。

英文摘要：

We consider certain respondent-driven sampling procedures on dense graphs. We show that if the sequence of the vertex-sets is ergodic then the limiting graph can be expressed in terms of the original dense graph via a transformation related to the invariant measure of the ergodic sequence. For specific sampling procedures, we describe the transformation explicitly.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

响应者驱动抽样与稀疏图收敛

Respondent driven sampling and sparse graph convergence

我们认为一个特定的响应驱动的采样程序由graphon。通过一个特定的聚类程序的采样顶点，我们构建了一个序列的稀疏图。如果顶点集序列是平稳的，则稀疏图序列收敛到割度量中的支配图子。使用的工具是马尔可夫链的浓度不等式和Stein-Chen方法。

2017-05-08math.PR

稀疏Erdös-Rényi图上的响应者驱动抽样

Respondent Driven Sampling on sparse Erdös-Rényi graphs

我们研究了一个Erdös-Rényi随机图的响应驱动的抽样方法，发现的顶点揭示他们的邻居的探索。他们中的一些人收到优惠券，轮到他们透露自己的邻居。这导致我们研究的随机图上的马尔可夫链的研究。对于大尺寸的稀疏Erdös-Rényi图，这个过程正确地重整化收敛到确定性曲线的解，即吸收在横坐标轴上的常微分方程组的解。研究了相关的涨落过程，给出了一个泛函中心极限定理和高斯极限过程。仿真和数值计算说明了研究。

2021-03-30math.PR

广义最小二乘可以克服响应驱动抽样中的临界阈值

Generalized least squares can overcome the critical threshold in respondent-driven sampling

为了对边缘化和/或难以接触到的人群进行抽样，通过同行推荐，采用了应答者驱动抽样和类似技术。在RDS的马尔可夫模型下，以前的研究表明，如果典型的参与者引用了太多的联系人，那么共同估计量的方差不会像$O(n^{-1})$那样衰减，其中$n$是样本量。这意味着置信区间将比典型的抽样设计宽得多。在这里，我们证明了广义最小二乘（GLS）可以有效地减少RDS估计的方差。特别地，理论分析表明GLS估计量的方差是$O(n^{-1})$。然后，我们得到两类可行的GLS估计。第一类基于底层社交网络的度校正随机块模型。第二类是基于二阶模型。这可能是独立的兴趣，在这两个模型类中，理论结果表明，它是可能的估计人口网络的频谱特性，从采样观测。经验社交网络上的模拟表明，可行的GLS（fGLS）估计可以有非常小的误差，很少增加的错误。诊断图有助于确定fGLS将帮助估计的位置。fGLS估计量继续优于标准估计量，即使它们是从错误指定的模型中构建的，并且存在优先招募。

2017-08-16cs.SImath.PRmath.ST

响应者驱动抽样中的渐近种子偏差

Asymptotic Seed Bias in Respondent-driven Sampling

响应者驱动抽样（RDS）通过激励抽样个体将其联系人推荐到样本中来收集网络人群中的个体样本。该迭代过程从一些种子节点初始化。有时，这种选择会产生大量的种子偏见。其他时候，种子偏差很小。本文通过描述其对各种RDS估计的极限分布的影响，对这种偏差有了更深入的了解。利用经典工具和多类型分支过程的结果（Kesten和Stigum，1966），我们证明了广义最小二乘（GLS）估计的种子偏差可以忽略，而逆概率加权和Volz-Heckathorn（VH）估计的种子偏差不可忽略.特别地，我们证明了（i）在临界阈值以上，VH收敛到非平凡的混合分布，其中混合分量取决于种子节点，并且混合分布可能是多峰的。此外，（ii）GLS收敛到高斯分布的种子节点无关，在一定条件下的马尔可夫过程。模拟数据和经验社交网络的数值实验表明，这些结果似乎持有超出马尔可夫条件的定理。

2019-08-21cs.SImath.PRmath.ST

通过估计块转移概率减小响应者驱动抽样中的种子偏差

Reducing Seed Bias in Respondent-Driven Sampling by Estimating Block Transition Probabilities

受访者驱动抽样（RDS）是一种流行的方法来研究边缘化或难以接触的人群。它通过激励参与者将他们的朋友推荐到研究中来，从网络人群中收集样本。分析RDS样品的一个主要挑战是种子偏倚。种子偏差是指当社交网络被划分为多个社区（或区块）时，RDS样本可能无法平衡地代表人口中的不同社区，这种不平衡与初始参与者（或种子）相关。在这种情况下，估计量的分布通常是非平凡的混合，这是由（1）种子和（2）参考如何从一个块过渡到另一个块来确定的。本文表明：（1）块-转移概率容易估计，精度高;（2）我们可以用这些估计的块-转移概率来估计块上的平稳分布，从而估计块比例。在RDS文献中，以前曾使用这种块上的固定分布来评估采样过程是否出现“混合”。我们使用这些估计块比例在一个简单的后分层（PS）估计，大大减少种子偏差。通过以这种方式聚集在块/层，我们证明了PS估计是$\sqrt{n}$ -马尔可夫模型下一致的，即使当其他估计不是。仿真结果表明，PS估计具有较小的均方根误差（RMSE）相比，国家的最先进的估计。

2018-12-04cs.SImath.PRmath.ST

受访者驱动的抽样和不寻常的流行病

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。

2014-11-11cs.SImath.PRphysics.soc-ph

更多相关论文收起更多论文

有补连通图的正则图的可否认$k$ -子图的MCMC抽样

An MCMC sampling of densest $k$-sub-graphs of regular graphs with connected complement graph

本文提出了一种基于排它过程的方法，从具有连通补的正则图$L$中抽取可确定的$k$ -子图。通过将排它过程解释为相应令牌图$\mathfrak{L}_k$上的马尔可夫链，我们利用经典的马尔可夫链理论获得了依赖于$L$几何结构的收敛速度的定量界，这是尖锐的意义上的变化价导致一个等式，这是$1$，在完全图的情况下的几何界。我们提出了一个算法，利用这种粒子视图，以避免过多的内存使用，由于状态空间的大小和讨论的规则性和连通性条件$L$和$L^c$在Outlook中。

2023-01-11math.COmath.PR

密集分类单元抽样下TKF91模型中祖先DNA序列的统计一致性和计算高效推断

Statistically consistent and computationally efficient inference of ancestral DNA sequences in the TKF91 model under dense taxon sampling

在进化生物学中，生物体的物种形成历史是用一个物种发生图来表示的，也就是说，一棵有根的树，它的叶子对应着现在的物种，而分支则表示过去的物种形成事件。系统发育通常是从分子序列，如DNA序列，从感兴趣的物种收集估计。从更高的层面上讲，这个推论背后的想法很简单：两个物种在生命之树中的距离越远，它们的基因组中自最近的共同祖先以来积累的突变数量就越多。为了在系统发育分析中获得准确的估计，标准做法是采用基于树上序列进化的随机模型的统计方法。为了便于处理，这些模型必须对所涉及的进化机制做出简化的假设。特别是，通常省略的是核苷酸的插入和缺失-也称为插入缺失。在统计系统发育分析中正确解释插入缺失仍然是计算进化生物学的一个主要挑战。在这里，我们考虑的问题，重建祖先序列上的一个已知的同源性在一个模型的序列进化，将核苷酸取代，插入和删除，特别是经典的TKF 91过程。我们专注于有界的高度，我们称之为分类丰富的设置，在统计一致性是可以实现的密集adenogenies的情况下。我们给出了第一个多项式时间的祖先重建算法，在恒定的变异率下具有可证明的保证。我们的算法成功时，遗传满足“大爆炸”的条件，在这种情况下，统计一致性的充分必要条件。

2019-08-01cs.CEmath.PRmath.ST

零均值高斯测度的正交性：充分稠密采样

On the orthogonality of zero-mean Gaussian measures: Sufficiently dense sampling

本文研究平稳随机函数在子集上采样时两个零均值高斯测度的等价与正交性，给出各向同性条件下的等价判据，并证明当采样点到原点距离稠密时正交性可恢复。

2024-04-21math.PR

稠密几乎正则二部图完美匹配的精确抽样

Exact Sampling from Perfect Matchings of Dense Nearly Regular Bipartite Graphs

我们提出了第一个算法，从一组完美匹配的二部图的多项式期望运行时间在一个非平凡的一组图完全一致地产生随机变量。以前的马尔可夫链方法获得近似均匀变量的任意图在多项式时间，但他们的一般运行时间是$Θ(n^{26} (\ln n)^2).$我们的算法采用接受/拒绝连同一个新的上限的形式类似于布雷格曼定理的永久。对于具有$2n$节点的图，其中每个节点的度对于常数$γ$接近$γn$，预期运行时间为$O(n^{1.5 + .5/γ})$。在这些条件下，Jerrum和Sinclair证明了Broder的马尔可夫链可以在$Θ(n^{4.5 + .5/γ} \ln n)$时间内生成近似均匀的变量，这使得我们的算法在这类图上的速度明显加快。使用我们的方法，可以近似计算完美匹配的数量（相当于找到0-1矩阵的积和式，因此$\sharp P$是完备的），而不需要使用自约简。

2003-10-05math.PR

序贯重要性抽样估计完美匹配空间上的期望值

Sequential importance sampling for estimating expectations over the space of perfect matchings

本文对二部图中完美匹配数的估计做了三方面的贡献。首先，我们证明了流行的顺序重要抽样算法的工作在多项式时间密集二部图。更仔细地说，我们的算法给出了一个$λ$ -稠密二部图的完美匹配数的$(1\pmε)$ -近似，使用$O(n^{\frac{1-2λ}λε^{-2}})$样本。对于$\frac{1}{2}>λ>0$，每边的大小为$n$，$λ$密集二部图的所有度都大于$(λ+\frac{1}{2})n$ .其次，算法的实际应用需要多次调用匹配算法。提供了一种新的预处理步骤，其做出了显著的改进。第三，提供三种应用。第一个是计算拉丁方，第二个是一个实用的方法来计算贪婪算法的一个卡猜测游戏的反馈，第三个是随机块模型。在所有三个例子中，序贯重要性抽样允许处理合理大规模的实际问题。

2022-07-06cs.DSmath.PR