Amostragem de Redes com Memória

Técnicas de amostragem em redes se tornaram uma área importante de pesquisa em diversos campos. Para os sociólogos, a possibilidade de amostragem a partir de uma rede é atraente por duas razões: (1) Uma amostra de rede pode fornecer dados substancialmente interessantes sobre estruturas de rede e interações sociais, e (2) é útil em situações onde as populações de estudo são difíceis ou impossíveis de serem examinadas com abordagens de amostragem tradicionais devido à falta de um quadro de amostragem. Apesar de seu apelo, preocupações metodológicas sobre a precisão e a exatidão dos métodos de amostragem baseados em redes permanecem. Em particular, pesquisas recentes mostraram que amostrar de uma rede usando uma abordagem de caminhada aleatória, como a Amostragem Orientada por Respondentes (RDS), pode resultar em altos efeitos de design (DE) - a razão da variância de amostragem para a variância de amostragem de uma amostra aleatória simples (SRS). Um alto efeito de design significa que mais casos precisam ser coletados para alcançar o mesmo nível de precisão que a SRS. Neste artigo, propomos uma estratégia alternativa, Amostragem de Redes com Memória (NSM), que coleta dados de rede de respondentes para reduzir os efeitos de design e, correspondentemente, o número de entrevistas necessárias para alcançar um dado nível de poder estatístico. A NSM combina um modo "Lista", onde todos os indivíduos na lista de rede revelada são amostrados com a mesma probabilidade cumulativa, com um modo "Busca", que prioriza nós de ligação conectando a amostra atual a partes inexploradas da rede. Testamos a eficiência relativa da NSM em comparação com a RDS e a SRS em 162 redes escolares e universitárias do Add Health e Facebook, que variam em tamanho de 110 a 16.278 nós. Os resultados mostram que o efeito de design médio para a NSM nessas 162 redes é 1,16, que está muito próximo da eficiência de uma amostra aleatória simples (DE=1), e 98,5% menor do que o DE médio observado para a RDS.