Resumen Técnico: Bootstrap Paramétrico para Modelos de Redes con Probabilidad de Arista Fija

Enunciado del Problema

El artículo aborda el desafío de cuantificar la incertidumbre de las estadísticas de redes (por ejemplo, conteos de subgrafos, coeficientes de agrupamiento, medidas de centralidad) en datos de redes aleatorias. Si bien existen métodos de remuestreo de redes, como el submuestreo y los procedimientos jackknife, desarrollados principalmente para estadísticas de conteo bajo modelos de grafón con intercambio de nodos, a menudo no logran abordar dos cuestiones críticas:

1. No intercambiable: Muchas aplicaciones prácticas involucran redes con propiedades heterogéneas de los nodos, donde la suposición de intercambio de nodos (invarianza ante permutaciones de etiquetas) es indeseable o incorrecta. En tales casos, preservar la información específica de cada nodo es crucial.
2. Sesgo del Bootstrap: El "natural" bootstrap paramétrico estándar, que estima los parámetros del modelo generador de la red y luego remuestrea del modelo estimado, adolece de un sesgo no despreciable. Este sesgo surge porque el estimador de sustitución (plug-in) de la estadística de la red, $\hat{\mu} = \mu(\hat{P})$, no aproxima con precisión la verdadera esperanza $\mu(P)$ cuando el número de parámetros crece con el tamaño de la red $n$. Específicamente, la relación entre el sesgo y la desviación estándar puede ser del orden $\Theta(p^{-1/2})$ o $\Theta((np)^{-1/2})$, lo que invalida los intervalos de confianza estándar, particularmente en redes dispersas.

Los autores se centran en el modelo de Chung–Lu (un modelo de probabilidad de arista fija donde $P_{ij} = p\theta_i\theta_j$) como marco de trabajo. A diferencia de los modelos de grafón donde las posiciones latentes son aleatorias, este escenario asume posiciones latentes fijas (o una matriz de probabilidad de arista $P$ fija), lo que significa que la única aleatoriedad proviene de la realización independiente de Bernoulli de las aristas.

Metodología

El artículo propone un procedimiento de bootstrap de dos niveles (doble) para corregir el sesgo inherente al bootstrap paramétrico estándar.

1. Bootstrap Paramétrico Natural (Un Nivel):

   • Estimar la matriz de probabilidad de arista $\hat{P}$ a partir de la red observada $A$ (por ejemplo, utilizando Estimación de Máxima Verosimilitud o SVD).
   • Generar $B$ redes de bootstrap $\hat{A}^{(b)}$ a partir de $\hat{P}$.
   • Calcular la estadística $T(\hat{A}^{(b)})$ para cada muestra.
   • La distribución de estas estadísticas aproxima la distribución de $T(A)$, pero la media de esta distribución de bootstrap, $\mu(\hat{P})$, está sesgada con respecto a la media verdadera $\mu(P)$.

2. Bootstrap de Dos Niveles (Corrección de Sesgo):

   • Nivel 1: Generar $B_1$ redes de bootstrap $\hat{A}^{(b)}$ a partir del modelo estimado $\hat{P}$.
   • Nivel 2: Para cada $\hat{A}^{(b)}$, reestimar los parámetros del modelo para obtener $\hat{\hat{P}}^{(b)}$. Luego, generar $B_2$ redes de segundo nivel $\hat{\hat{A}}^{(b,c)}$ a partir de $\hat{\hat{P}}^{(b)}$.
   • Estimación del Sesgo: El sesgo del estimador de un nivel se estima como:
     $$\widehat{\text{Sesgo}}_{\hat{P}} = \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})] - \mu(\hat{P}) \approx \frac{1}{B_1} \sum_{b=1}^{B_1} \mu(\hat{\hat{P}}^{(b)}) - \mu(\hat{P})$$
   • Corrección: El estimador puntual corregido por sesgo se construye como $2\mu(\hat{P}) - \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})]$.

Este enfoque extiende el principio clásico de bootstrap iterativo al entorno de redes, donde la dimensión del parámetro escala con $n$. El método es aplicable tanto a estadísticas globales (por ejemplo, conteo total de triángulos) como a estadísticas locales (por ejemplo, conteos de subgrafos con raíz, coeficientes de agrupamiento locales).

Contribuciones Clave y Resultados Teóricos

1. Caracterización del Sesgo del Bootstrap

Los autores derivan el orden asintótico del sesgo del bootstrap para conteos de subgrafos bajo el modelo de Chung–Lu.

• Para un conteo de subgrafo con raíz de un grafo $R$ con $v$ vértices y $e$ aristas, el sesgo es del orden $\Theta(n^{v-2}p^{e-1})$.
• Para un conteo global de subgrafos, el sesgo es del orden $\Theta(n^{v-1}p^{e-1})$.
• Crucialmente, se demuestra que la relación entre el sesgo y la desviación estándar es no despreciable:
  • Conteos globales: $\Theta(p^{-1/2})$.
  • Conteos con raíz: $\Theta((np)^{-1/2})$.
    Esto confirma que, incluso con estimación consistente de parámetros, el estimador de sustitución $\mu(\hat{P})$ está sesgado con respecto a la variabilidad de muestreo, lo que conduce a una inferencia inválida si no se corrige.

2. Reducción del Sesgo mediante Bootstrap de Dos Niveles

El artículo demuestra que el bootstrap de dos niveles reduce el orden del sesgo restante:

• Para conteos con raíz, el sesgo restante relativo al sesgo original es $O_P((np)^{-1/2})$.
• Para conteos globales, la reducción es $O_P((np)^{-1})$.
  En consecuencia, el sesgo restante se vuelve despreciable en relación con la desviación estándar, permitiendo la construcción de intervalos de confianza válidos.

3. Estimación de Varianza e Intervalos de Confianza

Los autores establecen que el bootstrap de segundo nivel proporciona un estimador consistente para la varianza del estimador de sustitución $\mu(\hat{P})$.

• Comparación de Varianza: Para muchas estadísticas, $\text{Var}_P(\mu(\hat{P})) \ll \text{Var}_P(T(A))$. Esto implica que los intervalos de confianza basados en la distribución del estimador de sustitución $\mu(\hat{P})$ (que utiliza la estructura completa de la red) son significativamente más estrechos que los basados únicamente en la estadística cruda $T(A)$.
• Construcción de Intervalos: El artículo propone tanto intervalos de aproximación normal como intervalos no normales (bootstrap empírico), ambos centrados en el estimador corregido por sesgo.

4. Teorema del Límite Central (TLC)

Como subproducto, el artículo establece un TLC para conteos de subgrafos bajo el modelo de Erdős–Rényi inhomogéneo (una generalización del modelo de Chung–Lu). Este resultado se aplica tanto a conteos globales como a conteos de subgrafos con raíz bajo condiciones de dispersión más débiles que las requeridas por la literatura existente basada en grafones.

Resultados Empíricos

Se realizaron experimentos numéricos utilizando:

• Datos Sintéticos: Redes generadas a partir de Modelos de Bloques Estocásticos (SBM) y SBMs Corregidos por Grado (DCSBM) con diversos niveles de dispersión.
• Datos Reales: La red del Club de Karate de Zachary y la red de Blogs Políticos.

Hallazgos:

• Corrección de Sesgo: Los intervalos de bootstrap ingenuos (sin corrección de sesgo) cubren severamente por debajo del parámetro verdadero, especialmente en redes dispersas. Los intervalos corregidos por sesgo logran una cobertura cercana al nivel nominal (por ejemplo, 95%).
• Ancho del Intervalo: Los intervalos basados en la distribución de $\mu(\hat{P})$ son consistentemente más estrechos que los basados en $T(A)$, particularmente para estadísticas locales y en regímenes dispersos.
• Robustez del Estimador: La corrección de sesgo funciona eficazmente incluso cuando $\hat{P}$ se estima mediante SVD o cuando el modelo está ligeramente mal especificado (por ejemplo, número incorrecto de comunidades), aunque el estimador DCSBM generalmente produce un mejor rendimiento que el SVD.
• Costo Computacional: Si bien el bootstrap de dos niveles es intensivo computacionalmente ($O(B_1 B_2 n^2)$), es paralelizable. Los autores señalan que para estadísticas donde se cumple la aproximación normal, el costo computacional puede reducirse utilizando el bootstrap solo para la estimación de la varianza.

Significado y Afirmaciones

El artículo afirma proporcionar un remedio general para el problema del sesgo del bootstrap en estadísticas de redes bajo modelos de probabilidad de arista fija. Su significado radica en:

1. Extensión de la Teoría del Bootstrap: Adapta el concepto de bootstrap iterativo a escenarios donde el número de parámetros crece con el tamaño de la muestra, un escenario donde la consistencia estándar del bootstrap a menudo falla.
2. Manejo de la No Intercambiabilidad: Al condicionar en posiciones latentes fijas (o una $P$ fija), el método preserva las propiedades específicas de cada nodo, haciéndolo adecuado para analizar estadísticas locales y redes heterogéneas donde las suposiciones de intercambio de nodos son inapropiadas.
3. Inferencia Práctica: El método propuesto permite la construcción de intervalos de confianza precisos y estrechos para una amplia clase de estadísticas de redes, incluidas aquellas que no son estadísticas U, llenando un vacío dejado por los métodos de remuestreo existentes que se centran principalmente en estadísticas de conteo bajo modelos de grafón.
4. Fundamento Teórico: La derivación del orden del sesgo y la demostración del TLC para conteos de subgrafos bajo modelos de Erdős–Rényi inhomogéneos proporcionan una base teórica rigurosa para la inferencia de redes en regímenes dispersos.

Los autores enfatizan que, aunque el análisis se realiza bajo el modelo de Chung–Lu, se espera que el fenómeno del sesgo surja en modelos más complejos (como DCSBMs multicomunidad), y que el bootstrap de dos niveles sirve como un mecanismo de corrección robusto y basado en simulaciones aplicable en estos entornos.