ネットワークからの変更のランダムサンプリング：エゴセントリックネットワーク研究における有望な方向

ソーシャルネットワークの観点は、多くの分野で社会的メカニズムの知識を進めるための大きな可能性を秘めています。ただし、エゴセントリックな（つまり、個人的な）ネットワークデータを収集するには費用がかかり、回答者に大きな負担がかかります。これは、ネットワークメンバー間のタイに関する情報を引き出すために使用されるタスク（つまり、分身のタイまたは密度マトリックス）に特に当てはまります。ほとんどの既存の国家調査は、名前を付けることができるネットワークメンバーの数を制限することでこの問題を回避しますが、この戦略には大きな制限があります。ここでは、ネットワークメンバーのランダムサンプリングを適用して、ネットワーク調査のコスト、回答者の負担、エラーを削減します。シミュレートされた現実世界のエゴセントリックネットワークデータにおけるランダムサンプリングの有効性と信頼性を調べます。ネットワーク測定のサンプル/母集団平均を推定する際に、少数のネットワークメンバーをランダムに選択すると、真のネットワークサイズに関係なく、マイナーなエラーのみが生成されることがわかります。回帰でネットワーク測定値を使用する研究では、ネットワークメンバーの平均数をランダムに選択します（たとえば、平均ネットワークサイズが10の場合、10がランダムに選択されます）は、1に近い1つのサンプルと相関するネットワーク測定の推定値を回復するのに十分です。。私たちは、データの品質を犠牲にすることなく、より幅広い研究者グループがアクセスできるようにする、この多目的でありながらリソース集中的な方法論を実現するベストプラクティスの推奨事項で結論付けています。

The social network perspective has great potential for advancing knowledge of social mechanisms in many fields. However, collecting egocentric (i.e., personal) network data is costly and places a heavy burden on respondents. This is especially true of the task used to elicit information on ties between network members (i.e., alter-alter ties or density matrix), which grows exponentially in length as network size increases. While most existing national surveys circumvent this problem by capping the number of network members that can be named, this strategy has major limitations. Here, we apply random sampling of network members to reduce cost, respondent burden, and error in network studies. We examine the effectiveness and reliability of random sampling in simulated and real-world egocentric network data. We find that in estimating sample/population means of network measures, randomly selecting a small number of network members produces only minor errors, regardless of true network size. For studies that use network measures in regressions, randomly selecting the mean number of network members (e.g., randomly selecting 10 alters when mean network size is 10) is enough to recover estimates of network measures that correlate close to 1 with those of the full sample. We conclude with recommendations for best practices that will make this versatile but resource intensive methodology accessible to a wider group of researchers without sacrificing data quality.