가중 회귀 모델보다 비가중 회귀 모델이 응답자 기반 샘플링 데이터에서 더 나은 성능을 보인다: 시뮬레이션 연구 결과

배경: 응답자 기반 샘플링에서 유래한 데이터 분석에서 가중 회귀 또는 비가중 회귀가 선호되는지는 불확실하다. 우리의 목적은 응답자 기반 샘플링(RDS)을 사용하여 수집된 데이터를 통해 그룹 소속 위험을 추정할 때 가중 포함 및 제외된 다양한 회귀 모델의 유효성을 평가하는 것이었다. 방법: 알려진 연속 예측 변수의 분포를 기반으로 한 동질성과 유병률이 다양한 12개 네트워크 인구 집단이 각각 1000개의 RDS 샘플을 사용하여 시뮬레이션되었다. 각 샘플에 대해 가중 및 비가중 이항 및 포아송 일반 선형 모델이 다양하게 군집 조절 및 표준 오차 조정과 함께 모델링되었으며 유효성, 편향 및 커버리지 비율과 관련하여 평가되었다. 인구 유병률도 추정되었다. 결과: 회귀 분석에서 비가중 로그-링크(포아송) 모델은 모든 인구 집단에서 명목형 1종 오류율을 유지하였다. 가중 이항 회귀의 경우 편향이 상당하고 1종 오류율이 용납할 수 없을 정도로 높았다. 로지스틱 회귀의 유병률 추정에 대한 커버리지 비율은 RDS 가중 로지스틱 회귀를 사용할 때 가장 높았으며, 낮은 유병률(10%)에서는 비가중 모델을 권장했다. 결론: RDS 데이터의 회귀 분석을 수행할 때는 주의가 필요하다. 보고된 도수의 정확성이 높더라도 낮은 보고 도수는 회귀 추정치에 부당한 영향을 미칠 수 있다. 따라서 비가중 포아송 회귀를 권장한다.