Eine Kettenempfehlungs‑Stichprobenmethode für schwer erreichbare oder stark vernetzte Populationen, bei der ausgewählte Startpersonen (Seeds) Peers mit einer begrenzten Anzahl von Coupons rekrutieren, Rekrutierungsketten dokumentiert werden und Forschende die persönliche Netzwerkgröße (Degree) sowie Rekrutierungsinformationen erheben, um unter bestimmten Netzwerk‑ und Rekrutierungsannahmen gewichtete Schätzer anzuwenden und so Populationsparameter zu approximieren.

Prinzip

Peer‑Rekrutierung über soziale Verbindungen ermöglicht Zugang zu ansonsten schwer erreichbaren Gruppen; durch Aufzeichnung der Rekrutierungsmuster und der berichteten Netzwerkgröße sowie durch Anwendung modellbasierter Gewichtungen lassen sich unterschiedliche Einschlusswahrscheinlichkeiten zu korrigieren—vorausgesetzt zentrale Annahmen (ausreichende Wellenzahl, zufällige Rekrutierung konditional am Degree, genaue Degree‑Angaben und ein zusammenhängender Netzwerkkomponenten) sind annähernd erfüllt.

Demonstration

Illustratives Szenario → Eine Studie zu einer stigmatisierten städtischen Gruppe startet mit 8 purposiven Seeds, die jeweils 3 Coupons zur Weitergabe erhalten. Die Rekrutierung läuft über mehrere Wellen; es wird dokumentiert, wer wen rekrutiert, und jeder Befragte wird nach der Anzahl seiner relevanten Kontakte gefragt. Analytiker nutzen die Rekrutierungsbäume, das gemeldete Degree und geeignete RDS‑Schätzer, um gewichtete Prävalenzschätzungen und design‑bewusste Konfidenzintervalle zu berechnen, die Netzwerkabhängigkeit berücksichtigen.

Fehlanwendung

RDS‑Daten wie eine einfache Zufallsstichprobe zu behandeln und Netzwerkabhängigkeiten sowie notwendige Gewichtungen zu ignorieren (Fehler: Unterschätzung von Bias und Varianz) oder beim Schätzen Angaben über Degree und Rekrutierung nicht zu erheben bzw. zu verwenden—beides führt zu verzerrten Schätzungen und ungültigen Unsicherheitsmaßen.

Konsequenz

Sind die Annahmen zumindest annähernd erfüllt und werden Daten korrekt erhoben und gewichtet, kann RDS nützliche Populationsschätzungen liefern, wenn probabilistische Stichproben nicht möglich sind; wenn Annahmen verletzt werden (z. B. starke Homophilie, ungenaue Degree‑Angaben, getrennte Subnetzwerke), können Schätzungen stark verzerrt und Unsicherheiten unterschätzt sein.

Umkehrung

Ist das zugrunde liegende soziale Netzwerk unzusammenhängend, bleiben Rekrutierungsketten kurz, berichten Befragte systematisch ungenaue Degree‑Werte oder ist die Rekrutierung innerhalb von Degree‑Schichten stark nicht‑zufällig, bricht das Gewichtungsmodell zusammen und RDS‑Schätzer werden unzuverlässig; in solchen Fällen sind alternative Methoden (Mehrortauswahl, gezielte probabilistische Verfahren) meist vorzuziehen.

Abgrenzung

Klar innerhalb: Studien zu versteckten, vernetzten Populationen, bei denen Peer‑Weiterempfehlung möglich ist und Seeds lange Ketten starten können. Randfall: teilweise vernetzte Populationen oder Studien mit sehr wenigen Wellen bzw. geringem Stichprobenumfang (Annahmen fragil). Klar außerhalb: nicht‑netzwerkbasierte Gelegenheitsstichproben, einstufiges Standort‑Sampling ohne kontrollierte Peer‑Rekrutierung oder Schneeballverfahren ohne Dokumentation von Rekrutierung und Degree.

Semantische Spannung

Praktische Zugänglichkeit und Machbarkeit versus die strengen statistischen Annahmen, die für eine unverzerrte Schätzung erforderlich sind; Forschende müssen zwischen Feldpraktikabilität und inferentieller Glaubwürdigkeit abwägen.

Synthese

RDS ist ein pragmatischer Kompromiss: Es nutzt kontrollierte Peer‑Rekrutierung und degree‑basierte Gewichtung, um Kettenempfehlungsdaten unter expliziten Netzwerkannahmen in Populationsschätzungen zu überführen. Die Reliabilität hängt wesentlich vom Erfüllen dieser Annahmen und transparenter Berichterstattung über Rekrutierungsdynamiken ab.