Geometric Model Selection for Latent Space Network Models: Hypothesis Testing via Multidimensional Scaling and Resampling Techniques

Resumen Técnico: Selección de Modelos Geométricos para Modelos de Redes de Espacio Latente

Planteamiento del Problema
Los modelos de espacio latente representan los vínculos de red como una función de la distancia entre nodos en un espacio geométrico subyacente de baja dimensión. Si bien el espacio euclidiano ha sido el estándar por defecto, la geometría hiperbólica es cada vez más reconocida por su capacidad para imitar patrones de redes complejas realistas, tales como estructuras de tipo árbol, distribuciones de grado sesgadas y alta agrupación (clustering). Un desafío crítico en el análisis de redes es determinar qué geometría (euclidiana vs. hiperbólica) subyace a una red observada específica.

Los enfoques previos, como los de Papamichalis et al. [2022], se basan en la comparación del "stress" (una métrica de bondad de ajuste) de la Escalamiento Multidimensional (MDS) aplicado a las distancias geodésicas (longitudes de camino más corto) observadas a través de diferentes geometrías. El método selecciona la geometría que arroja un menor stress. Sin embargo, este artículo identifica una limitación significativa: comparar diferencias de stress puras carece de rigor estadístico y no tiene en cuenta la incertidumbre. Las simulaciones demuestran que este enfoque ingenuo clasifica erróneamente con frecuencia redes euclidianas grandes y dispersas como hiperbólicas, ya que la métrica de stress por sí sola es insuficiente para distinguir la geometría subyacente de manera fiable.

Metodología
Para abordar la falta de fundamentación estadística en la selección de la geometría, los autores proponen dos marcos de prueba de hipótesis que incorporan la incertidumbre, yendo más allá de la simple comparación de stress:

1. Pruebas de Permutación (No paramétricas):
   Adaptando las pruebas de permutación estándar de MDS al entorno de redes, los autores proponen un esquema de permutación que preserva la densidad. En lugar de permutar la matriz de distancias geodésicas directamente (lo que violaría propiedades métricas como la desigualdad triangular), el método permuta la matriz de adyacencia $Y$.

   • Procedimiento: La matriz de adyacencia se permuta para generar nuevas redes $\tilde{Y}$ mientras se preserva la densidad de aristas. Solo se retienen las redes conectadas. Se aplican MDS clásicos e hiperbólicos a las distancias geodésicas de estas redes permutadas para generar una distribución nula de diferencias de stress.
   • Hipótesis: La hipótesis nula ($H_0$) plantea que la diferencia observada en el stress entre las geometrías es indistinguible de la diferencia obtenida mediante una permutación aleatoria.

2. Bootstrap Paramétrico mediante Distancia Latente Condicional (Extensión del J-Test):
   Los autores extienden el J-test de Davidson-MacKinnon a los modelos de redes de espacio latente. Este método genera una distribución de bootstrap paramétrico de redes condicionadas a las distancias geodésicas observadas y al Modelo de Posición Latente Gaussiana (GLPM).

   • Base Teórica: Aprovechando el GLPM, los autores derivan la distribución condicional de las distancias latentes $P(d_{ij} | \delta_{ij} = k)$, donde $d_{ij}$ es la distancia euclidiana latente y $\delta_{ij}$ es la distancia geodésica observada. Esto permite la generación de redes de bootstrap que respetan la estructura de red observada (específicamente, las distancias geodésicas) en lugar de solo la densidad de aristas.
   • Procedimiento:
     1. Estimar los parámetros para el GLPM basado en la red observada.
     2. Generar redes de bootstrap muestreando distancias latentes de la distribución condicional $P(d_{ij} | \delta_{ij})$ y construyendo nuevas matrices de adyacencia.
     3. Calcular la diferencia de stress para cada muestra de bootstrap.
     4. Calcular un valor p basado en la proporción de diferencias de stress de bootstrap que son menores o iguales a la diferencia de stress observada.
   • Hipótesis: $H_0$ establece que el modelo hiperbólico no proporciona un poder explicativo adicional más allá del modelo euclidiano.

Resultados Clave
La eficacia de estos métodos fue evaluada mediante simulaciones en redes de diversos tamaños (15 a 200 nodos) y densidades, así como en conjuntos de datos del mundo real.

• Hallazgos de la Simulación:

  • Diferencia de Stress Puro: Funciona deficientemente en redes grandes y dispersas, clasificando erróneamente casi todas las redes euclidianas como hiperbólicas.
  • Prueba de Permutación: Muestra una especificidad mejorada (identificación correcta de redes euclidianas) en comparación con las diferencias de stress puras, pero sigue siendo algo conservadora, clasificando ocasionalmente erróneamente redes hiperbólicas. Demuestra una mayor sensibilidad para detectar estructuras hiperbólicas en redes grandes.
  • Redes de Bootstrap: Ofrece un mejor equilibrio entre sensibilidad y especificidad. Supera significativamente al método de diferencia de stress puro en la distinción de geometrías para redes grandes y dispersas, que son comunes en datos del mundo real.
  • Limitaciones: El método de bootstrap requiere que las redes generadas estén conectadas. En casos con nodos de muy bajo grado (por ejemplo, el conjunto de datos UKfaculty), el proceso de remuestreo produce frecuentemente grafos desconectados, lo que hace que el método sea inaplicable sin modificaciones.

• Aplicaciones en el Mundo Real:

  • Zachary's Karate Club: Mientras que el stress puro favoreció un modelo hiperbólico, tanto la prueba de permutación ($p=0.1053$) como el método de bootstrap ($p=0.1888$) no lograron rechazar la hipótesis nula, sugiriendo que la geometría euclidiana es el mejor ajuste.
  • Otros Conjuntos de Datos: A través de cuatro conjuntos de datos adicionales (UKfaculty, adjnoun, dolphins, ffe friend), los métodos conscientes de la incertidumbre proporcionaron clasificaciones más matizadas que el stress puro. Por ejemplo, mientras que el stress puro favoreció el modelo hiperbólico para la red "ffe friend", los métodos de incertidumbre sugirieron que la geometría euclidiana era un mejor ajuste.

Significado y Reivindicaciones
El artículo sostiene que seleccionar una geometría latente basándose únicamente en las diferencias de stress de MDS es estadísticamente erróneo y propenso al error, particularmente para redes grandes y dispersas. La contribución principal es la adaptación de los marcos de prueba de hipótesis (permutación y bootstrap paramétrico) al entorno de redes de espacio latente para considerar rigurosamente la incertidumbre.

Los autores afirman que:

1. Rigor Estadístico: La incorporación de la incertidumbre mediante permutación o bootstrapping evita la clasificación errónea sistemática de redes euclidianas como hiperbólicas.
2. Extensión Metodológica: El trabajo extiende con éxito el J-test de Davidson-MacKinnon a modelos de espacio latente no anidados con geometrías diferentes, utilizando la distribución condicional de las distancias latentes dadas las distancias geodésicas.
3. Utilidad Práctica: Los métodos propuestos son particularmente efectivos para las redes "grandes y dispersas" típicas de los datos del mundo real, donde la simple comparación de stress falla.

Los autores mantienen la modestia respecto a las limitaciones, señalando que el método de bootstrap es computacionalmente costoso y actualmente depende de los supuestos del LPM Gaussiano. Sugieren que futuras extensiones podrían incluir otros modelos de espacio latente (por ejemplo, enlaces no gaussianos) o diferentes geometrías base (por ejemplo, esférica), pero no proponen nuevas aplicaciones específicas más allá del alcance de su actual análisis de simulación y de datos reales.