Método de muestreo por referencia en cadena para poblaciones difíciles de alcanzar o fuertemente en red, en el que semillas seleccionadas reclutan pares mediante un número limitado de cupones, se rastrean las cadenas de reclutamiento y se recopila información sobre el grado de la red personal y los reclutamientos para aplicar estimadores que ponderan las observaciones y aproximan parámetros poblacionales bajo supuestos de red y reclutamiento específicos.

Principio

El reclutamiento por pares a través de lazos sociales permite el acceso a poblaciones inaccesibles; registrando patrones de reclutamiento y el tamaño de red declarado (grado) y aplicando ponderaciones basadas en modelos, los analistas intentan corregir las probabilidades de inclusión diferenciales, siempre que se cumplan aproximaciones a supuestos clave (suficientes olas, reclutamiento aleatorio condicional al grado, reportes de grado precisos y una componente de red conectada).

Demostración

Escenario ilustrativo → Un estudio sobre una población urbana estigmatizada comienza con 8 semillas intencionales que reciben 3 cupones cada una para reclutar pares. El reclutamiento avanza por varias olas; el estudio registra quién recluta a quién y pregunta a cada respondente cuántos pares elegibles conoce. Los analistas usan los árboles de reclutamiento, el grado reportado y estimadores RDS para generar estimaciones ponderadas de prevalencias y calcular intervalos de confianza que tengan en cuenta la dependencia de red.

Aplicación incorrecta

Tratar los datos RDS como una muestra aleatoria simple e ignorar la dependencia de red y el peso requerido (error: subestimar sesgo y varianza), o no registrar o usar la información de grado y reclutamiento al aplicar los estimadores; ambas prácticas dan lugar a estimaciones sesgadas y a medidas de incertidumbre inválidas.

Consecuencia

Cuando se cumplen al menos aproximadamente los supuestos y los datos se registran y ponderan correctamente, RDS puede proporcionar estimaciones poblacionales útiles donde el muestreo probabilístico es inviable; cuando los supuestos fallan (p. ej., homofilia extrema, reporte inexacto del grado, subredes desconectadas), las estimaciones pueden estar muy sesgadas y la incertidumbre subestimada.

Inversión

Si la red social subyacente está desconectada, las cadenas de reclutamiento son cortas, los participantes reportan grado de forma sistemáticamente inexacta o el reclutamiento es muy no aleatorio dentro de estratos de grado, el modelo de ponderación falla y los estimadores RDS se vuelven poco fiables; en tales contextos, enfoques alternativos (muestreo por múltiples lugares, métodos probabilísticos dirigidos) pueden ser preferibles.

Límite

Claramente dentro: estudios de poblaciones ocultas y en red donde la referencia por pares es factible y las semillas pueden iniciar cadenas largas. Caso límite: poblaciones parcialmente en red o estudios con muy pocas olas o muestras pequeñas (supuestos tenues). Claramente fuera: muestras de conveniencia no basadas en red, muestreo por lugares sin referencia controlada o muestreo en bola de nieve sin registro de reclutamiento y grado.

Tensión semántica

Accesibilidad y factibilidad de campo frente a los estrictos supuestos estadísticos necesarios para estimación no sesgada; los investigadores deben ponderar la factibilidad operativa contra la credibilidad inferencial.

Síntesis

RDS es un compromiso pragmático: usa reclutamiento controlado por pares y ponderaciones basadas en grado para convertir datos por cadena en estimaciones poblacionales bajo supuestos explícitos de red. Su validez depende críticamente del cumplimiento aproximado de esos supuestos y de la transparencia en el reporte de la dinámica de reclutamiento.