本文提出随机化招募驱动抽样（RRDS），针对因疫情、灾害或冲突等外部因素而难以接触、但不存在显著污名障碍的人群，通过收集受访者较完整的手机联系人列表，并由研究者在每轮随机抽取联系人，从设计层面缓解传统RDS中的同质性与便利性招募偏差。模拟结果显示，RRDS较传统偏向性RDS更快收敛至总体年龄和性别参数；孟加拉国服装工人实验进一步表明，结合Tree Bootstrap估计时，RRDS的标准化RMSE为2.503，95%置信区间覆盖率达到83.3%，但其效果仍受网络稀疏、断连、联系人遗漏和非响应等结构性因素制约。^114202425

研究问题：传统RDS的随机招募假设难以满足 ²⁶⁷⁸

• 传统RDS依赖受访者从个人网络中均匀随机选择联系人，并通过网络度数计算逆概率权重；但实际招募通常受到同质性、便利性和关系强度影响，导致样本偏差，尤其在高同质性人群或大抽样比例下更为严重。⁶⁷
• 现有方法主要在数据收集后通过估计量或Bootstrap修正偏差，而RRDS将随机化前置到招募设计阶段，以减少偏差产生。⁸

RRDS的两阶段随机化机制 ³⁹¹⁰¹¹

• 提名阶段：受访者从其可接触网络 (N_i) 中提供联系人列表 (L_i)，理想情况下满足完整提名 (L_i=N_i)；也可以使用通话记录形成近似完整列表。¹⁰¹¹
• 招募阶段：研究者从列表 (L_i) 中均匀随机抽取 (s_i) 名联系人，而不是让受访者自行选择最愿意推荐或最熟悉的人。³¹⁰
• RRDS适用于因疫情、自然灾害、武装冲突等外部物流限制而难以接触的低污名人群，不适合要求受访者披露完整关系网络会带来伦理风险的污名化或隐匿人群。³⁹¹¹
• 该方法可依托手机网络远程开展，减少线下接触，并利用研究者控制的随机抽样降低招募偏差。⁴⁹

模拟设计：区分网络同质性与招募偏差 ¹²¹³

• 模拟网络包含10,000个节点，平均度数为10；总体平均年龄为41.5岁，女性占比为70%。研究从10名“最差情形”种子开始，即年轻男性且平均年龄约20岁、女性比例为0%。¹²¹³
• 网络结构同质性设为 (\alpha_{net}=0.40)，传统RDS中的偏向性招募参数设为 (\alpha_{rec}=0.90)。RRDS只能消除招募阶段的偏向性，不能消除社会网络本身的结构性同质性。¹³
• 两种方法均最多每轮招募3名联系人，累计样本达到3,000人后停止，以比较现实样本规模下的收敛速度。¹³

模拟结果：RRDS更快恢复总体参数 ¹⁴¹⁵

• 在平均年龄和女性比例两个指标上，RRDS均比具有偏向性招募的传统RDS更快接近总体真实值；传统RDS的女性比例在较多轮次内显著低于总体70%左右的水平。¹⁴¹⁵
• 基准RRDS约在第3—5轮附近接近总体参数，而传统RDS在女性比例指标上收敛明显更慢；图中最差情形RRDS虽收敛速度下降，但仍保持向总体真实值靠拢的特征。¹⁵
• RRDS达到3,000人所需轮数与传统RDS大体相近或略少，原因在于随机招募减少了对已抽样高连接度节点的重复提名。¹⁴
• Volz-Heckathorn逆度加权估计量在最初几轮略快于简单样本均值，但到第3—4轮后两者几乎 indistinguishable，且不改变RRDS优于传统RDS的实质结论。¹⁵

鲁棒性检验：非响应和不完整提名主要拖慢收敛 ^15163536

• 研究检验了20%和40%非响应、70%和50%联系人提名、同群体偏向、高连接度联系人偏向，以及“40%非响应+50%提名”综合最差情形。¹⁵³⁵
• 非响应与不完整提名会减少每轮有效招募人数，使链条需要更多轮次才能达到目标样本量，但在随机抽取已列出联系人的前提下，主要表现为收敛变慢，而不是引入系统性偏差。¹⁶³⁵³⁶
• 女性联系人比例对偏向性招募最敏感；即使在同群体提名偏差下，RRDS仍较传统RDS更快接近总体约70%的女性比例。³⁶

孟加拉国服装工人实验：手机通话记录构造近似网络列表 ¹⁶¹⁷¹⁸

• 实验同时运行传统RDS和RRDS两组，使用相同起始条件；样本来自2017年BIGD调查和2020年试点调查，研究重点分析男性网络，因为女性网络过于断连，难以支持有效的链式招募。¹⁶¹⁷¹⁹
• 研究询问受访者近期通话记录中所有从事服装行业的联系人，并按每个电话号码支付10塔卡激励；在报告与其他服装工人通话的受访者中，男性和女性分别有70%和63%愿意提供网络联系人。¹⁷
• 同意提供联系人的男性平均提供4.4名联系人，女性平均提供3.3名联系人；该设计以通话记录近似完整的活跃手机网络，但覆盖范围仍小于完整社会网络，且受有限回忆窗口约束。¹⁷
• 传统RDS组跟进受访者最愿意推荐的联系人；RRDS组则从联系人列表中随机抽取，不考虑受访者偏好，从而使两组主要差异集中在招募阶段。¹⁸

经验结果：RRDS结合Tree Bootstrap的偏差和覆盖率表现最佳 ^19202223

• 研究以2017年代表性调查作为基准，对年龄、出生于达卡、婚姻、完成小学、完成中学及家中有5岁以下儿童六项指标进行比较；RRDS+Tree Bootstrap的95%置信区间覆盖其中5项，覆盖率为83.3%。¹⁹²⁰
• 婚姻状况和家中有5岁以下儿童两个指标显示出较强的传统RDS同质性偏差，RRDS点估计明显更接近基准；但教育变量中，小学完成比例是RRDS未优于RDS的例外。²²²³
• 达卡出生比例基准值较低，受网络样本规模限制，两种方法都难以精确恢复这一稀有特征，说明随机化不能完全解决小概率特征的估计精度问题。²⁴

Tree Bootstrap：保留招募链依赖关系的方差估计方法 ¹⁹²¹²²

• Tree Bootstrap先对种子有放回抽样，再按原始招募树逐层对每名节点的子节点有放回抽样，最后对每个Bootstrap样本计算VH估计量，并使用加权分位数构造置信区间。²¹
• 该方法不把受访者视为相互独立的观测，而是保留种子—招募者—被招募者之间的链式依赖，因此通常产生较传统RDS区间更宽的置信区间。¹⁹²²
• 作者推荐在网络型抽样中使用Tree Bootstrap，但指出针对RRDS随机化机制的专门方差估计量仍有待发展。¹¹¹⁹

方法边界与未来方向 ²⁴²⁵²⁶

• RRDS不能替代面向污名化或隐匿人群的传统RDS，因为完整披露联系人网络可能引发伦理风险、披露不足或信息不准确。²⁴²⁶
• 网络稀疏或不连通会导致任何链式抽样都难以持续；本研究中女性服装工人网络的断连主要与手机使用受限、家庭与安全约束及对工作后果的担忧有关。¹⁶²⁵
• 后续研究可探索对与推荐者差异更大的联系人赋予更高抽样概率、比较不同网络拓扑、开发适配RRDS的方差估计量，并拓展至社交媒体、电子邮件等数字招募渠道。²⁶

一、报告元数据与总体概览

报告标题：《Randomized Recruitment Driven Sampling》（随机化招募驱动抽样，RRDS）。
作者：Adam Visokay、Laura Boudreau、Rachel Heath、Tyler H. McCormick。作者分别来自华盛顿大学社会学系、哥伦比亚商学院及CEPR、华盛顿大学经济学系和华盛顿大学统计学系。
日期：2026年10月23日。
报告性质：这是一篇关于调查抽样方法和网络抽样设计的方法论研究，研究对象不是某一家上市公司或单一产业，而是“在外部环境冲击下变得难以接触、但本身并不具有高度污名化特征的人群”。报告通过模拟实验和孟加拉国服装工人新冠疫情期间的实地实验，比较传统Respondent Driven Sampling（RDS，回应者驱动抽样）与RRDS的表现。¹

报告的核心论点是：传统RDS虽然不需要完整抽样框，但其理论有效性依赖于“受访者从个人网络中随机选择招募对象”这一关键假设，而现实中受访者通常会优先推荐与自己相似、熟悉或联系方便的人，因此会产生明显的同质性偏差。RRDS将“选择谁进入下一轮调查”的决定从受访者转移给研究者，由研究者从受访者报告的联系人列表中进行均匀随机抽样，从设计层面减少偏好性招募造成的偏差。², ³

报告并非传统投资研究报告，因此没有股票评级、目标价、收入预测或利润预测。其“结论性判断”表现为方法推荐：RRDS不应取代适用于污名化或隐蔽群体的传统RDS，但在灾害、疫情、武装冲突、行动受限等“外部物流障碍”场景中，可作为一种兼顾远程执行能力和统计严谨性的抽样方案。²⁴, ²⁶

二、研究背景：为什么需要RRDS

1. 概率抽样与抽样框的局限

报告首先从概率抽样的标准框架出发。传统概率抽样要求研究者拥有较完整的目标总体名单，即抽样框，例如选民登记表、客户数据库、人口普查登记或行政档案。研究者可以据此计算每个人的入样概率，并通过加权实现对总体的有效推断。²

但在疫情、洪水、火灾、武装冲突和大规模流动等情境下，原本“容易接触”的人群也可能因为无法进入工作场所、居民区或社区而变得难以调查。这里的关键区别在于：传统RDS主要服务于因污名、社会排斥或制度排除而难以调查的人群；RRDS则服务于本身并不一定被污名化，但受到外部物流条件限制的人群。², ³

2. 雪球抽样与传统RDS的问题

雪球抽样让初始受访者推荐其他人，再由后续受访者继续推荐。其优势是能够利用社会网络接触难以列举的群体，但缺点是后续样本由受访者而非研究者选择，因此每个人的入样概率难以明确，传统总体推断缺乏坚实基础。⁴

RDS是在雪球抽样基础上的形式化方法。传统RDS通常给受访者两种激励：一是完成本人问卷的主要激励，二是成功推荐其他人完成调查后的次级激励。RDS利用受访者报告的个人网络规模，即degree，将网络抽样转化为可加权的估计问题。⁵, ⁶

其核心估计工具是Volz-Heckathorn（VH）估计量。直观而言，网络连接数较多的人更容易被抽中，因此需要降低其权重；连接数较少的人被抽中的概率较低，需要相对提高权重。报告中的VH均值可以概括为：

[ \hat{\mu}_{VH}

\frac{\sum_{i\in S}x_i/d_i} {\sum_{i\in S}1/d_i} ]

其中，(x_i)是个体特征，(d_i)是其网络度数。该方法试图纠正“高连接度个体更容易进入样本”的概率差异。⁶, ¹⁹

然而，RDS的理论条件相当严格，报告列出了六项核心假设：

1. 受访者从个人网络中随机招募；
2. 受访者准确报告网络规模；
3. 抽样理论上允许重复抽中同一个人；
4. 总体网络构成单一连通分量；
5. 招募链能够持续足够多轮并达到网络平衡；
6. 网络关系具有互惠性，即A报告认识B，B也应报告认识A。⁶, ⁷

其中最重要的是第一项。现实中，受访者往往按便利性、熟悉程度、关系强弱、性别、年龄或社会地位选择推荐对象。高同质性网络中，这种选择会使招募链长期停留在与种子相似的群体中。报告特别指出，即便官方RDS操作手册鼓励受访者选择彼此不认识的联系人，这类指引仍然是一种受访者主导的启发式选择，而不是真正的均匀随机抽样。⁷, ⁸

三、RRDS方法设计与理论逻辑

1. 两阶段抽样结构

RRDS把每轮招募拆成两个阶段：

• 提名阶段：受访者 (i) 提供联系人列表 (L_i)，列表大小为 (m_i)；
• 招募阶段：研究者从 (L_i) 中均匀随机抽取 (s_i) 人继续调查。¹⁰

这一设计的关键不在于网络本身没有同质性，而在于避免受访者在已知联系人之间进行带有偏好的二次选择。报告区分了三种列表情形：

1. 完整提名：(L_i=N_i)，即联系人列表覆盖全部合格网络；
2. 近似完整提名：例如通过通话记录收集联系人，假设其大致覆盖活跃的电话网络；
3. 选择性提名：(L_i)只覆盖总体网络的一部分，此时必须假设遗漏近似随机，或遗漏机制已知并能在估计中校正。¹⁰, ¹¹

因此，RRDS并不是消除所有网络偏差，而是主要处理“受访者从已知联系人中偏好性选择”的问题。底层网络本身的同质性仍然存在。例如，如果某个受访者原本只认识男性，那么从其联系人列表中随机选人仍然无法发现女性。报告将这种网络结构同质性记为(\alpha_{net})，而将受访者主动偏好性招募记为(\alpha_{rec})。RRDS能够消除或降低后者，但不能直接改变前者。¹², ¹³

2. RRDS与树状Bootstrap

报告认为，传统RDS中的树状Bootstrap用于保存招募链内部的依赖结构。它不是把所有受访者当作相互独立的观察值，而是先有放回地抽取种子，再根据原始树结构逐层抽取其子节点和后代节点。因此，重抽样结果保留了“只有招募者进入样本后，被招募者才可能进入样本”的链式依赖。¹⁹, ²¹

RRDS中，由于联系人选择环节受到研究者控制，观察到的招募树更多反映网络结构和已知的随机化机制，而不是网络同质性与未知招募偏好的混合结果。作者据此认为，树状Bootstrap在RRDS下可能更忠实地描述抽样方差，但也明确承认，这仍是启发式论证，针对RRDS设计的专门方差估计量尚待发展。¹¹

3. 适用范围与代价

RRDS的优势包括减少面对面接触、适合手机网络、可以远程运行、能在每轮引入研究者控制的随机化，并且在低污名群体中可以通过已知基准评估抽样质量。⁴

但代价是受访者需要披露更完整的联系人列表。在注射吸毒者、性工作者等传统RDS对象中，要求受访者报告全部同伴可能带来伦理风险，也可能因为隐私、安全或污名担忧而造成严重漏报。因此，RRDS的核心边界条件是：目标群体必须愿意且能够披露其联系人网络。⁹, ¹¹

四、模拟研究：参数设置、结果与图表解读

1. 模拟设置

模拟网络包含10,000个节点，年龄均值为41.5岁，年龄范围限定在18至65岁，女性比例为70%，平均每个节点约有10个连接。网络结构设置为(\alpha_{net}=0.40)，即部分连边偏向同一性别及年龄相近者。¹², ¹³

研究者使用10个“最坏情形”种子：全部为22岁以下年轻男性。种子均值年龄约20岁、女性比例为0%，显著偏离总体的41.5岁和70%女性。传统RDS和RRDS使用完全相同的种子，以便把差异归因于招募机制而不是起始样本。两种方法每名参与者最多招募3人，样本达到3,000人后停止。¹³

传统RDS被设定为高度偏好性招募：(\alpha_{rec}=0.90)，即参与者以90%的概率选择同性别且年龄相近的联系人，只有10%的概率随机选择。RRDS则从已列出的联系人中随机抽样。¹³

2. 图1：平均年龄与女性比例的收敛

图1左图展示各轮招募后的累计平均年龄，右图展示累计女性比例；虚线为真实总体值，分别约为41.5岁和69.6%女性。红色三角线是偏好性传统RDS，蓝线是基准RRDS，绿色线是同时存在40%不响应和50%联系人列举率的最坏情形RRDS。¹⁴, ¹⁵

左图显示，三种方法均从约20岁的年轻种子起步，但RRDS在前几轮迅速接近总体年龄。传统RDS在第1轮约29岁，第2轮约35岁，随后逐渐逼近40岁以上；RRDS基准在第1轮约35岁，第2轮约39岁，第3轮已接近41岁。最坏情形RRDS收敛稍慢，但仍在后续轮次接近真实均值。这说明随机化招募能够更快脱离极端年轻男性种子的局部网络。¹⁴, ¹⁵

右图的差异更明显。传统RDS由于90%的偏好性招募，在第1轮女性比例仅约10%，第2轮约19%，第5轮也只有约43%，远低于69.6%的总体值。RRDS基准则在第1轮约36%，第2轮约56%，第3轮约65%，第4至5轮已接近70%。最坏情形RRDS虽然略有延迟，但也在约第4至6轮附近达到总体水平。性别比例因此成为最能展示偏好性招募危害的指标。¹⁴, ¹⁵

图表还显示，RRDS达到3,000人的样本目标所需轮数与传统RDS大体相当，甚至略少。作者将其解释为随机招募减少了反复推荐高连接度、但可能已被覆盖的个体，从而提高了网络探索效率。¹⁴

3. 稳健性分析

研究进一步模拟20%和40%不响应、70%和50%联系人列举率、偏好列举同性别联系人、偏好列举高连接度联系人，以及“40%不响应+50%联系人列举率”的组合最坏情形。¹⁵

核心结果是：这些因素主要减慢RRDS的网络覆盖速度，而没有显著制造系统性方向偏差。换言之，如果列表中的联系人是随机遗漏的，研究者仍然是在一个较小的列表上随机抽取，主要后果是每轮有效招募人数减少，需要更多轮次达到样本量，而不是持续偏向某一人口特征。¹⁶

图3比较了各种情形下累计平均年龄。所有RRDS变体最终都向41.5岁总体均值靠拢；不响应、部分列举和组合最坏情形的曲线在早期更慢，但仍明显优于偏好性RDS。这里隐含一个重要假设：遗漏联系人近似随机。如果实际遗漏高度集中于某一性别、年龄或社会圈层，则“延迟而非偏差”的结论可能不再成立。³⁵

图4显示女性比例是最敏感的结果变量。即使在最坏情形下，RRDS仍比传统RDS更快接近70%的总体女性比例。同性别列举偏差对RRDS造成的拖慢最明显，这也说明RRDS并非完全不受列表质量影响；它只是把偏差限制在联系人提名阶段，而不是再叠加一层受访者的偏好性选择。³⁶

五、孟加拉国服装工人实地实验

1. 实验背景与样本来源

研究对象是孟加拉国服装工人。该群体本身并非传统意义上的隐蔽群体，但疫情期间工作场所和工人住所难以进行面对面访问，因此成为测试RRDS的合适情境。作者重点分析男性网络，因为女性工人网络高度分散，难以维持连续的招募链。¹⁶

种子来自两个既有调查：2017年由BIGD开展、包含1,500名工人的调查，以及2020年1月开展的60人试点调查。2017年调查通过每隔N户抽取一户的方式，在达卡分区服装生产地区进行地理代表性抽样，该区域约覆盖孟加拉国80%的服装工厂。¹⁷, ³⁶

2. 联系人提名与激励机制

研究者首先询问受访者是否通过电话与其他服装工人联系。男性中89%、女性中71%表示有此类电话联系；在这些人中，男性70%、女性63%同意提供联系人号码。每提供一个电话号码，受访者获得10塔卡，约合0.12美元。愿意提供联系人者平均提供男性4.4人、女性3.3人。¹⁷

这一过程属于“近似完整提名”，因为研究者使用近期通话记录来获取活跃电话网络。它提高了联系人列举的客观性和完整性，但不能覆盖全部社会关系：一方面，电话联系人只是完整职业网络的子集；另一方面，有限回溯窗口会排除近期不活跃的联系。因此，两组样本实际上都主要代表“电话可达的职业网络”。¹⁷

被选中联系人最终成功接受调查的比例为63%；女性被推荐者成功率72%，男性为58%。此外，传统RDS“偏好”联系人成功率72%，高于RRDS组种子的62%。这意味着两组之间不仅存在招募随机性的差异，也存在被选联系人响应概率不同的问题，可能影响实际估计的可比性。¹⁸

3. RDS与RRDS处理差异

传统RDS组要求受访者说明自己最愿意推荐哪些联系人，研究团队随后调查这些“偏好联系人”。RRDS组则从受访者提供的联系人列表中随机选择，不考虑受访者偏好。两组均进行中间链接调查，并继续要求新受访者提供自己的联系人。¹⁸

附录显示，实际现场流程并非始终保持最初的纯粹平行设计。研究早期女性极少提供联系人，因此从12月12日起，研究团队开始跟进所有女性推荐对象；后续还根据工厂、性别、工作年限和是否参加其他调查等条件进行不同选择，最终共进行了30轮中间链接调查。³⁸, ³⁹, ⁴⁰

这说明实地研究为伦理和可行性进行了适应性调整，但也意味着最终样本并非完全由一个固定的RDS与RRDS实验规则生成，因而应将结果理解为方法在真实场景下的表现，而不是完全理想化的随机对照实验。

六、实证结果、估计量与图表分析

1. 估计方法

研究只对男性受访者进行正式分析，因为女性招募率过低，无法进行有效推断。作者明确承认，事后按性别限制样本增加了额外假设：估计对象变成男性服装工人总体，跨性别网络连接被视为删失，标准RDS假设不一定能在这个事后定义的子网络上成立。¹⁹

研究比较两种区间估计方法：

• Traditional：VH点估计加传统RDS Bootstrap；
• Tree Bootstrap：点估计仍采用VH，但置信区间通过保留招募树结构的Bootstrap获得。¹⁹, ²¹

树状Bootstrap的优点是承认网络抽样中的链式依赖，因此置信区间通常比传统方法更宽。这种“区间变宽”并不意味着点估计一定变差，而是表示研究者对网络结构造成的不确定性更加诚实。

2. 总体绩效：RMSE与覆盖率

作者用标准化RMSE评价相对于2017年基准的偏差，用95%置信区间覆盖率评价不确定性估计是否可靠。RRDS结合Tree Bootstrap的RMSE为2.503，在不同方法组合中偏差最小；其95%置信区间覆盖基准值的比例为83.3%，即六个变量中有五个覆盖基准。传统RDS加传统VH权重的覆盖率为0，说明其区间在这些变量上始终未能包含2017年基准。²⁰, ²²

需要谨慎理解83.3%的结果：它是六个变量上的经验覆盖率，而不是大量重复样本下严格验证的长期95%覆盖率。样本只有六个指标，且2017年调查也只是2020年的近似基准，因此该数字支持RRDS改善了表现，但不足以证明其已经实现理论上的95%覆盖。

3. 图2及附录图5—10

图2将六项人口特征按RDS与RRDS分组，并分别显示传统估计和Tree Bootstrap估计。绿色三角及误差线通常比紫色圆点区间更宽，说明Tree Bootstrap纳入了更多网络设计不确定性。总体上，RRDS点估计更接近2017年基准线，但不同变量之间并不完全一致。²², ²³

年龄：2017年基准约为23.3岁。图5显示RDS传统估计约28.5岁，明显高估；RRDS传统估计约28.1岁，仍高估但略有改善。Tree Bootstrap下RDS约28.1岁、RRDS约27.0岁，RRDS更接近基准，但误差区间较宽。作者的重点并不是RRDS完全消除年龄偏差，而是随机化招募总体上减轻了由种子和网络选择造成的偏差。⁴¹

达卡出生：2017年基准比例约为1%。样本估计极不稳定，RDS传统点估计接近0，RRDS传统估计也接近0；Tree Bootstrap区间非常宽，RRDS点估计约3%，但区间覆盖从负值到约10%。该结果反映的是稀有特征和网络样本量不足带来的精度问题，而不一定是RRDS机制失败。²⁴, ⁴²

已婚比例：基准约73%。传统RDS估计约67%，明显低估；RRDS传统估计约74%，几乎贴近基准。Tree Bootstrap下RDS约78%、RRDS约72%，两者区间都更宽，但RRDS点估计仍更靠近总体值。作者据此认为，随机化招募有效缓解了婚姻状态上的同质性选择偏差。²², ⁴³

小学完成率：基准约83%。传统权重下RDS和RRDS均约68%，都明显低于基准；Tree Bootstrap下RDS约84%，反而比RRDS约73%更接近基准。两种Tree Bootstrap区间均较宽并覆盖基准附近，因此这是六项指标中RRDS没有优于RDS的一项。该结果提醒读者，RRDS的优势是总体性和概率性优势，不代表每个单项指标、每种估计量组合都必然改善。²², ⁴⁴

中学完成率：基准约29%。传统权重下RDS约37%、RRDS约33%，两者都高估，但RRDS偏差较小。Tree Bootstrap下RDS约32%、RRDS约32%，二者都高于基准，RRDS区间相对较窄。该变量说明随机化招募减少了偏差，却没有完全纠正教育特征在网络中的结构性分布差异。²², ⁴⁵

家中有五岁以下儿童：基准约26%。传统RDS仅约6%，严重低估；RRDS传统估计约27%，非常接近基准。Tree Bootstrap下RRDS约9%，但区间极宽，约从负值延伸至30%以上；这体现出网络设计不确定性被充分反映后，点估计未必稳定。传统RDS在家庭结构变量上的严重偏差支持作者关于同质性招募的判断，但RRDS的宽区间也说明随机化并不等于高精度。²³, ⁴⁶

七、风险、局限与批判性评价

1. 网络连通性风险

RRDS仍然是网络抽样方法。如果目标群体网络稀疏、分裂为多个连通分量，链条就可能中断，某些群体完全无法被覆盖。女性服装工人的网络高度断裂就是实证中的主要失败点。作者将其归因于女性下班后直接回家、家庭责任、安全限制、手机需要借用或受到男性家庭成员监督等因素。¹⁶, ²⁵

2. 联系人披露不完整

RRDS假定联系人列表足够完整，或遗漏近似随机。若受访者系统性地不提供某类联系人，例如只列举同性别、关系更亲近或社会地位相似者，则随机抽样只能在一个已经偏斜的列表中随机，无法恢复总体。¹⁰, ¹⁷

3. 非响应与成功率差异

实地实验中总体成功调查率为63%，且男性、女性以及RDS偏好联系人之间存在明显差异。若非响应与被调查者特征相关，单纯把非响应视为“只导致速度下降”可能过于乐观。模拟中的非响应被设定为与特征无关，而现实中这种独立性未必成立。¹⁵, ¹⁸

4. 基准调查的时间差异

研究用2017年调查作为2020年样本的基准，但服装工人的年龄、教育、婚姻和家庭结构可能在三年中发生变化。作者也承认这是一个不完美基准，但认为它仍提供了有价值的近期参照。¹⁹

5. 实验执行发生调整

为了应对女性几乎不提供推荐的情况，研究团队改变了后续跟进规则，并对女性、工厂、工作年限和其他样本类别进行定向抽取。这些适应性措施有助于提高可操作性和覆盖率，但会弱化RDS与RRDS之间“唯一差异是招募随机性”的理想实验设定。¹⁸, ³⁸, ³⁹

6. 统计推断仍未完全解决

RRDS主要从设计端减少偏差，但VH估计量仍依赖网络度数报告、网络连通性和列表覆盖等条件。Tree Bootstrap改善了区间估计，但作者明确称其在RRDS下的理论性质仍有待研究。此外，传统RDS的估计端修正方法，例如利用自我网络信息调整差异招募的方法，可能与RRDS结合，而报告尚未系统比较“设计端随机化”和“事后估计修正”哪个更有效。⁸, ¹¹

八、综合结论

这篇报告提出的RRDS，本质上是在传统RDS的网络框架中增加一个研究者控制的随机化层：受访者负责提供联系人列表，研究者负责从列表中随机选择下一轮受访者。它并不消除网络同质性，也无法解决网络断裂、联系人遗漏、非响应或稀有特征样本不足等问题，但能够避免受访者基于熟悉度、便利性和相似性进行偏好性推荐。⁹, ¹⁰

模拟结果表明，在从10名年轻男性极端种子开始、总体女性比例为70%的情况下，传统偏好性RDS长期低估女性比例并较慢恢复总体年龄，而RRDS在更少轮次内接近真实总体；即使加入40%不响应和50%联系人列举率，RRDS主要表现为收敛变慢，而非产生持续方向性偏差。¹⁴, ¹⁵, ³⁶

孟加拉国服装工人实验进一步显示，RRDS结合Tree Bootstrap在六项人口特征上取得最低RMSE和83.3%的经验覆盖率，传统RDS结合传统VH方法的覆盖率则为0。具体图表显示，RRDS在婚姻状况、家中有五岁以下儿童、年龄和中学教育等指标上通常更接近基准，但在小学教育这一指标上并未优于RDS；达卡出生这一稀有特征则无论采用何种方法都难以精确估计。²⁰, ²², ²³

因此，作者的总体立场是：RRDS不是传统RDS的全面替代品，而是适用于“低污名、可披露联系人网络、但因疫情、灾害、冲突或其他物流原因难以接触”的特定方法工具。它的价值主要来自把传统RDS中经常被违反的随机招募假设，转化为研究设计中由研究者直接执行的随机化程序；但其最终可靠性仍取决于联系人列表质量、网络连通性、响应率、性别和社会结构，以及未来更完善的RRDS专用方差估计方法。²⁴, ²⁶