文章主要内容和创新点总结
一、主要内容
本文聚焦于利用间接调查进行隐藏人群时间趋势的即时预测(Nowcasting)。间接调查通过让受访者提供其认识之人的相关信息,而非自身信息,可有效解决直接调查中因隐私敏感、人群难接触等导致的数据可靠性与效率问题,适用于地震伤亡估算、性工作者状况调查、毒品使用及传染病患病率统计等场景。
传统网络规模扩展法(NSUM)是间接调查的经典分析方法,但仅适用于一次性调查,且需依赖受访者个人网络规模等假设。随着在线调查的普及,持续收集数据成为可能,而传统方法未充分利用时间维度信息。
本文提出了一种新的分析框架:通过潜在图模型证明间接调查的期望响应与隐藏人群规模成比例;基于隐藏人群动态变化的平滑性,采用加权移动平均等时间聚合方法提升估算精度。通过模拟实验和美国COVID-19趋势与影响调查(CMU-CTIS)真实数据集验证,该方法在估算准确性上优于传统NSUM和直接调查法。
二、创新点
- 提出潜在图公式化表述,证明间接调查的期望响应与隐藏人群规模成比例,无需假设每个个体报告隐藏人群成员的概率相同,放宽了传统NSUM的约束。
- 从理论上证明,在合理的潜在图度数方差上限内,相同样本量下间接调查对隐藏人群的估算精度优于直接调查。
- 利用隐藏人群动态变化的平滑性,提出加权移动平均方法,通过时间维度的响应聚合提升估算效果,明确了该方法优于单时点估算的条件。
- 结合模拟实验和COVID-19真实数据集(18个月美国病例数据),全面验证了所提方法的优越性,且无需获取或估算受访者个人网络规模,降低了实
订阅专栏 解锁全文
482



被折叠的 条评论
为什么被折叠?



