Reporte de Pares: Diseño de Muestreo y Estimaciones Imparciales

Área de la Ciencia:

• Análisis de Redes Sociales
• Inferencia Estadística
• Ciencias Sociales Computacionales

Sus antecedentes:

• El método de muestreo egocéntrico (ECM) estima las proporciones poblacionales utilizando reportes de pares, garantizando la privacidad.
• El ECM convencional está limitado por la suposición de redes homogéneas (grados de nodo uniformes).
• Las correlaciones atributo-grado en redes heterogéneas sesgan las estimaciones del ECM tradicional.

Objetivo del estudio:

• Introducir el estimador ECM corregido por la relación de actividad (ECMac) para la inferencia de redes imparciales.
• Abordar las limitaciones del ECM convencional en redes sociales heterogéneas.
• Desarrollar un método de preservación de la privacidad para la estimación precisa de la proporción poblacional.

Principales métodos:

• Reformulación de la estimación de la proporción poblacional en una formulación de espacio de aristas utilizando la reciprocidad de la red.
• ECMac corrige las dependencias entre los grados y atributos de los nodos.
• Utiliza solo datos de ego-pares, evitando la necesidad de una estructura de red completa.

Principales resultados:

• ECMac proporciona estimaciones imparciales y estables en redes heterogéneas.
• Demostró una reducción de hasta el 70% en el error de estimación en comparación con el ECM convencional.
• Simulaciones y análisis de redes del mundo real validan el rendimiento de ECMac.

Conclusiones:

• ECMac ofrece un marco teóricamente fundamentado y prácticamente escalable para el muestreo basado en redes.
• Mejora la confiabilidad del análisis de redes sociales en diversas estructuras de red.
• Establece un método robusto para la estimación de atributos poblacionales con preservación de la privacidad.