ピアレポーティング：サンプリング設計と偏りのない推定

科学分野:

• ソーシャルネットワーク分析
• 統計的推論
• 計算社会科学

背景:

• 自我中心サンプリング方法（ECM）は、ピアレポートを使用して母集団比率を推定し、プライバシーを確保します。
• 従来のECMは、均一なネットワーク（均一なノード次数）の仮定によって制限されます。
• 不均一なネットワークにおける属性と次数の相関関係は、従来のECM推定値に偏りを生じさせます。

研究 の 目的:

• 偏りのないネットワーク推論のために、アクティビティ比補正ECM推定器（ECMac）を導入します。
• 不均一なソーシャルネットワークにおける従来のECMの限界に対処します。
• 正確な母集団比率推定のためのプライバシー保護方法を開発します。

主な方法:

• ネットワークの互恵性を使用して、母集団比率推定をエッジ空間の定式化に再構成します。
• ECMacは、ノードの次数と属性間の依存関係を補正します。
• エゴピアデータのみを使用するため、完全なネットワーク構造を必要としません。

主要な成果:

• ECMacは、不均一なネットワークにおいて偏りがなく安定した推定値を提供します。
• 従来のECMと比較して、推定誤差が最大70％削減されることを実証しました。
• シミュレーションと実世界のネットワーク分析により、ECMacのパフォーマンスが検証されました。

結論:

• ECMacは、ネットワークベースのサンプリングのための理論的に根拠があり、実用的にスケーラブルなフレームワークを提供します。
• 多様なネットワーク構造におけるソーシャルネットワーク分析の信頼性を向上させます。
• 母集団属性のプライバシー保護推定のための堅牢な方法を確立します。