Relational event models with global covariates

Este artículo propone un método innovador de muestreo de no eventos temporalmente desplazados para estimar covariables globales en modelos de eventos relacionales, demostrando su eficacia mediante un estudio de simulación y su aplicación al análisis de 350.000 viajes en bicicleta en Washington D.C., donde se identifican influencias significativas del clima y la hora del día.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una receta de cocina muy especial para entender por qué la gente usa las bicicletas compartidas en Washington D.C., pero con un ingrediente secreto que nadie había sabido añadir antes.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

🚲 El Problema: El "Ciego" que solo ve a los vecinos

Imagina que quieres entender por qué la gente decide ir en bicicleta de la estación A a la estación B.

• Lo que ya sabíamos: Los modelos antiguos (como los "detectives viejos") solo miraban cosas muy específicas: ¿Qué tan lejos están las dos estaciones? ¿Es un viaje de ida y vuelta? ¿Hay mucha gente en esa zona?
• Lo que les faltaba: Estos modelos eran como un detective que tiene los ojos vendados para todo lo que pasa en el mundo exterior. No podían ver cosas globales como:
  • ¿Está lloviendo?
  • ¿Es mediodía o es medianoche?
  • ¿Hace mucho calor?

En el mundo de las matemáticas, estos factores globales (lluvia, hora del día) se consideraban "ruido" o molestias que desaparecían al hacer los cálculos. Por eso, nadie podía medir su impacto real usando las herramientas habituales.

🕰️ La Idea Genial: El "Viaje en el Tiempo" (Time-Shift)

Los autores del artículo (Melania, Rūta, Veronica y Ernst) tuvieron una idea brillante: "¿Y si movemos el tiempo?".

Imagina que tienes un video de todos los viajes en bicicleta.

1. El truco: En lugar de mirar el viaje que ocurrió a las 8:00 AM, les dicen a los datos: "Oye, imagina que este viaje ocurrió a las 8:05 AM". Y a otro viaje, le dicen: "Tú ocurrió a las 8:10 AM".
2. El efecto mágico: Al mover cada viaje a un momento ligeramente diferente (como si cada pareja de estaciones tuviera su propio reloj con un desfase), la "lluvia" o la "hora del día" ya no es igual para todos.
   • Para el viaje que movimos a las 8:05, quizás estaba lloviendo.
   • Para el que lo movimos a las 8:10, quizás ya había dejado de llover.
3. El resultado: Al hacer esto, el modelo matemático ya no puede ignorar la lluvia. ¡Ahora puede ver cómo la lluvia afecta a unos viajes y no a otros! Es como si les hubiéramos quitado la venda a los ojos del detective.

🎲 El Truco de la "Muestra" (Para no explotar la computadora)

Hay un problema: Washington D.C. tiene miles de estaciones y millones de viajes posibles. Si intentamos comparar cada viaje con todos los demás viajes que no ocurrieron, la computadora se volvería loca (como intentar comparar a una persona con todos los habitantes del planeta).

La solución: Usan una técnica llamada "Muestreo de Casos y Controles".

• Imagina que tienes un viaje real (el "Caso").
• En lugar de comparar ese viaje con todos los millones de viajes que no ocurrieron, el modelo elige al azar uno solo de esos viajes que no ocurrieron (el "Control").
• Luego, compara solo esos dos: "¿Por qué ocurrió este viaje y no el otro?".
• Repiten esto miles de veces. Es como hacer una encuesta rápida en lugar de entrevistar a todo el mundo. ¡Funciona increíblemente bien y es super rápido!

📊 Lo que descubrieron en Washington D.C.

Al aplicar esta nueva receta a los datos de 350,000 viajes de julio de 2023, descubrieron cosas muy interesantes que antes se escapaban:

1. El Clima es el Rey:
   • Lluvia: ¡Es el enemigo número uno! Si llueve, la gente deja las bicicletas.
   • Calor: Hay un punto medio. Si hace un poco de calor, la gente va en bici. Pero si hace demasiado calor (como un horno), la gente se queda en casa.
2. El Reloj es importante:
   • La gente usa la bici mucho por la mañana (cuando van al trabajo) y por la tarde (cuando vuelven).
   • Por la noche, casi nadie la usa.
3. La "Competencia" es extraña:
   • Pensarías que si hay muchas estaciones cerca, la gente usaría más la bici. Pero descubrieron lo contrario: si hay muchas estaciones muy juntas, la gente usa menos la bici en esa zona.
   • Analogía: Es como si hubiera demasiados restaurantes en una calle pequeña; la gente se confunde o no encuentra sitio, y al final no va a ninguno. O quizás, simplemente no hay suficientes bicicletas para tanta gente.

🏁 En Resumen

Este artículo nos enseña que para entender el movimiento de las bicicletas (o cualquier red de conexiones), no basta con mirar solo las estaciones. Hay que mirar el clima y la hora.

Los autores crearon un "máquina del tiempo" matemática que permite a las computadoras ver estos factores globales sin volverse locas de trabajo. Es como pasar de mirar un mapa en blanco y negro a ver un video en color y 4K de cómo se mueve la ciudad.

¡Y lo mejor de todo es que ahora podemos predecir mejor cuándo y dónde necesitamos más bicicletas! 🚲☀️🌧️

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Relational event models with global covariates" (Modelos de eventos relacionales con covariables globales), estructurado según los puntos solicitados.

1. El Problema

Los Modelos de Eventos Relacionales (REMs) son un marco estadístico robusto para analizar redes dinámicas donde las interacciones ocurren en tiempos específicos (ej. viajes en bicicleta, correos electrónicos). Sin embargo, la inferencia estándar en REMs se basa en la verosimilitud parcial (partial likelihood).

• Limitación actual: En la verosimilitud parcial tradicional, los efectos globales (covariables que dependen del tiempo pero son constantes para todos los pares de nodos, como el clima o la hora del día) se tratan como parámetros de molestia (nuisance parameters) y se cancelan matemáticamente. Por lo tanto, los modelos estándar no pueden estimar el impacto de estas variables globales.
• Alternativas existentes:
  • Verosimilitud completa: Es teóricamente posible, pero computacionalmente intratable para redes grandes porque requiere integrar el predictor lineal entre eventos, escalando cuadráticamente con el número de nodos.
  • Aproximaciones: Algunos métodos asumen que el predictor lineal es constante entre eventos, pero esto introduce sesgos significativos y no es consistente.
  • Métodos de dos pasos: Suelen ser computacionalmente costosos o ineficaces para covariables globales generales.

El desafío es desarrollar un método que permita estimar efectos globales utilizando un marco de verosimilitud parcial (eficiente) sin sacrificar la consistencia estadística ni la capacidad de manejar redes masivas.

2. Metodología Propuesta

Los autores proponen una innovación metodológica que combina un proceso de eventos desplazado en el tiempo con muestreo anidado de casos y controles (nested case-control sampling).

A. Proceso de Eventos Desplazado (Time-Shifted Event Process)

En lugar de analizar los eventos en su tiempo original $t$, se construye un nuevo proceso donde cada par de nodos $(s, r)$ tiene un desplazamiento temporal aleatorio independiente $H_{sr}$.

• Si un evento ocurre en $t$, en el nuevo proceso se evalúa en $t + H_{sr}$.
• Lógica clave: Al aplicar desplazamientos aleatorios diferentes a cada par, los eventos y los pares en riesgo (risk set) se evalúan en diferentes puntos temporales. Esto hace que las covariables globales (que cambian con el tiempo) tengan valores distintos para el evento y para los pares en riesgo, evitando que se cancelen en la verosimilitud parcial.

B. Muestreo Anidado de Casos y Controles

Dado que calcular la verosimilitud para todos los pares posibles sigue siendo costoso en redes grandes, se aplica muestreo:

• Para cada evento observado, se selecciona aleatoriamente un "no-evento" (un par que no interactuó en ese momento) del conjunto de riesgo.
• Esto reduce la complejidad computacional drásticamente.

C. Reformulación como Modelo Logístico Aditivo Degenerado

Al aplicar el muestreo de un solo caso y un solo control (un evento y un no-evento), la verosimilitud parcial resultante se reformula matemáticamente como la verosimilitud de un modelo logístico aditivo degenerado.

• La probabilidad de que ocurra el evento frente al no-evento se modela mediante la diferencia de las funciones de intensidad.
• Esto permite utilizar técnicas eficientes de Modelos Aditivos Generalizados (GAM) para estimar efectos no lineales y suaves (smooth terms) tanto para covariables globales como locales, sin necesidad de asumir que los efectos son lineales.

3. Contribuciones Clave

1. Estimación de Efectos Globales: Es el primer método que permite estimar consistentemente covariables globales (como clima y hora) dentro del marco de verosimilitud parcial de los REMs, sin recurrir a la verosimilitud completa intratable.
2. Exactitud Sin Supuestos de Constante por Pedazos: A diferencia de las aproximaciones de verosimilitud completa (ej. Stadtfeld & Block, 2017), el método propuesto no asume que la intensidad es constante entre eventos, garantizando estimaciones consistentes.
3. Escalabilidad Computacional: Al combinar el desplazamiento temporal con el muestreo de casos y controles, el método es viable para redes dinámicas masivas (millones de pares potenciales), donde otros métodos fallan.
4. Flexibilidad de Modelado: Al mapear el problema a un modelo logístico aditivo, permite modelar relaciones no lineales complejas entre las covariables y la intensidad de los eventos.

4. Resultados

Estudio de Simulación

• Eficacia: El método recupera con precisión tanto los coeficientes de covariables globales como no globales. La precisión aumenta con el número de eventos.
• Robustez ante el tamaño de la red: El número de nodos no afecta negativamente la estimación de los efectos globales.
• Distribución de desplazamientos: Se encontró que los desplazamientos deben ser lo suficientemente grandes para asegurar que el evento y el no-evento se evalúen en momentos con valores diferentes de las covariables globales, pero no tan grandes que el conjunto de riesgo se vacíe.
• Comparación con Verosimilitud Completa:
  • El método de verosimilitud completa aproximada tiene menor varianza pero un sesgo significativo (no es consistente), especialmente en tamaños de muestra grandes.
  • El método propuesto tiene mayor varianza (que se puede reducir muestreando más no-eventos) pero es insesgado y consistente.
  • Velocidad: El método propuesto es más de un millón de veces más rápido que el enfoque de verosimilitud completa.

Aplicación Empírica: Bicicletas Compartidas en Washington D.C.

Se analizaron ~350,000 viajes de julio de 2023.

• Covariables Globales:
  • Temperatura: Efecto no lineal en forma de U invertida. El uso aumenta con la temperatura hasta un punto óptimo, tras el cual disminuye si hace demasiado calor.
  • Precipitación: Tiene un efecto negativo claro; la lluvia desincentiva el uso.
  • Hora del día: Se observan picos claros durante las horas laborales (mañana 4-9 am y tarde ~6 pm), correlacionados con los desplazamientos al trabajo y el regreso.
• Covariables Locales y Dídicas:
  • Distancia: A mayor distancia entre estaciones, menor probabilidad de viaje.
  • Repetición y Reciprocidad: Se detectaron patrones de uso recurrente en rutas específicas.
  • Competencia (Densidad de estaciones): Contraintuitivamente, una mayor proximidad a otras estaciones (menos "competencia" en términos de distancia) se asoció con una menor intensidad de uso, sugiriendo una saturación o falta de estaciones suficientes para la demanda real en esas zonas.

5. Significado e Impacto

Este trabajo representa un avance fundamental en el análisis de redes dinámicas y series temporales de eventos:

• Superación de una barrera teórica: Resuelve el problema de la cancelación de efectos globales en la verosimilitud parcial, permitiendo un análisis más completo de los drivers de sistemas complejos.
• Aplicabilidad en Políticas Públicas: Para planificadores urbanos y proveedores de servicios (como sistemas de bicicletas compartidas), el método permite cuantificar con precisión cómo factores externos (clima, horarios) afectan la demanda, facilitando la optimización de flotas, la ubicación de estaciones y la gestión de infraestructura.
• Eficiencia Computacional: Hace posible el análisis de redes masivas en tiempo real o casi real, algo que antes estaba restringido a redes pequeñas o requería aproximaciones sesgadas.

En resumen, la propuesta de los autores ofrece un equilibrio óptimo entre rigor estadístico (consistencia), flexibilidad de modelado (efectos no lineales) y eficiencia computacional, abriendo nuevas vías para el estudio de fenómenos dinámicos en redes a gran escala.