📊 statistics

Introduction to Relational Event Modelling

Este artículo presenta una introducción práctica a los modelos de eventos relacionales, llenando un vacío en la literatura al ofrecer una guía tutorial que integra teoría, simulación de datos sintéticos y aplicaciones empíricas para facilitar el uso de este marco metodológico.

Autores originales: Martina Boschi, Ernst C. Wit

Publicado 2026-04-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Martina Boschi, Ernst C. Wit

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que la vida es una gran fiesta interminable donde todos estamos interactuando todo el tiempo: enviando mensajes, haciendo llamadas, comprando cosas o incluso chocando con alguien en la calle.

Este artículo es como un manual de instrucciones para entender el "ritmo" y la "causa" de esas interacciones. Los autores, Martina Boschi y Ernst-Jan Wit, nos presentan una herramienta llamada Modelos de Eventos Relacionales (REM).

Aquí te lo explico con analogías sencillas:

1. ¿Qué es un "Evento Relacional"?

Imagina que tienes un diario de tu vida.

La vieja forma de ver las cosas: Decir "Juan y María son amigos". Esto es un estado. Es como una foto estática.
La forma nueva (REM): Decir "El lunes a las 10:00 AM, Juan le envió un mensaje a María". Esto es un evento. Es como un video en movimiento.

El mundo no se mueve en fotos, se mueve en videos. Este modelo nos ayuda a entender por qué ocurre un evento en un momento específico y no en otro. ¿Por qué Juan le escribió a María ahora y no a Pedro? ¿Por qué ahora y no hace una hora?

2. La Gran Adivinanza: El "Riesgo"

Para entender esto, los autores usan una idea llamada "Conjunto de Riesgo".
Imagina que estás en una fiesta y tienes un vaso de agua. En cualquier momento, alguien podría venir a robártelo.

El Evento: Alguien (digamos, "El Ladrón") te quita el vaso.
El Riesgo: En ese mismo segundo, cualquiera de los 50 invitados podría haber sido el ladrón.

El modelo no solo mira al ladrón que lo hizo, sino que compara al ladrón con los 49 que no lo hicieron. Pregunta: "¿Qué tenía el ladrón que los otros no tenían? ¿Estaba más cerca? ¿Tenía una cara de hambre? ¿Había robado antes?".

3. Las Dos Claves del Misterio

El modelo busca dos tipos de pistas para predecir quién hará qué:

Pistas Exógenas (El Entorno): Son cosas que vienen de fuera.
- Ejemplo: Si llueve afuera, la gente se queda dentro y choca más. O si es lunes, la gente trabaja más y envía más correos.
Pistas Endógenas (La Historia del Grupo): Son cosas que ocurren dentro del grupo de amigos.
- Ejemplo: Reciprocidad. Si María te envió un mensaje ayer, es muy probable que hoy tú le envíes uno a ella. Es como un "turno" en una conversación.
- Ejemplo: Repetición. Si siempre hablas con tu mejor amigo, es probable que vuelvas a hablar con él.

4. La Magia: No todo es una línea recta

Antiguamente, los modelos pensaban que las cosas eran simples: "Si llueve, la gente se queda el doble de tiempo". Pero la vida es más compleja.

Efectos No Lineales: Imagina la distancia. Si alguien vive a 1 km, lo ves mucho. Si vive a 10 km, lo ves poco. Pero si vive a 1000 km, ¡casi nunca lo ves! La relación no es una línea recta; es una curva.
El Modelo Nuevo: Este tutorial enseña a usar una herramienta matemática (llamada Modelos Aditivos Generalizados) que puede dibujar esas curvas complejas. No asume que la distancia afecta siempre igual; deja que los datos "dibujen" la forma real.

5. ¿Cómo lo usan en la vida real? (Ejemplos del papel)

Los autores muestran cómo usar esto con tres ejemplos divertidos:

Las llamadas de emergencia (WTC): Analizaron las comunicaciones de radio durante el ataque a las Torres Gemelas. Descubrieron que los coordinadores recibían muchas más llamadas y que la gente tendía a acortar caminos (si A habla con B, y B con C, pronto A hablará con C).
Las especies invasoras: Imagina que una planta o insecto viaja de un país a otro. El modelo ayuda a predecir: "¿A qué país llegará la próxima?". Descubrieron que el comercio (barcos y aviones) es clave, pero su importancia ha cambiado con el tiempo, y que la distancia no afecta de forma lineal.
Los correos electrónicos de una empresa: Analizaron miles de correos. Descubrieron que la reciprocidad (responder a un correo) depende de la hora del día y de cuánto tiempo pasó desde el último mensaje. A veces, responder rápido es bueno; a veces, esperar un poco es mejor.

6. ¿Por qué es importante este tutorial?

Antes, estos modelos eran como fórmulas de física avanzada que solo los matemáticos podían entender. Eran rígidos y difíciles de usar.
Este artículo es como un recetario de cocina para todos.

Te enseña a cocinar (simular datos).
Te enseña a probar la comida (verificar si el modelo funciona).
Te da utensilios modernos (código en R) para que cualquiera pueda analizar sus propios datos, ya sea de redes sociales, finanzas o ecología.

En resumen

Este papel nos dice: "Deja de mirar las fotos estáticas de las relaciones. Mira el video. Usa la historia pasada y el contexto actual para entender por qué las cosas suceden ahora mismo, y usa herramientas flexibles que se adapten a la realidad compleja, no a una línea recta simple."

Es una guía práctica para convertir el caos de nuestras interacciones diarias en patrones comprensibles.

1. El Problema

Los datos relacionales en la vida cotidiana (conversaciones, correos electrónicos, transferencias de dinero, citas, etc.) son inherentemente dinámicos y ocurren en momentos específicos. Tradicionalmente, el análisis de redes ha tratado estas interacciones como estados estáticos o los ha agregado en intervalos de tiempo discretos, lo que resulta en una pérdida significativa de información sobre la secuencia temporal y la naturaleza instantánea de los eventos.

El desafío principal es modelar la tasa de ocurrencia (hazard) de un evento relacional específico $(s \to r)$ en un tiempo $t$ , dado el historial completo de eventos previos y la información exógena. Aunque existen modelos de eventos relacionales (REM), la literatura carecía de una guía práctica y tutorial que integrara las últimas avances metodológicos (como efectos no lineales, variables de tiempo y efectos aleatorios) con implementaciones computacionales eficientes.

2. Metodología

El artículo presenta un marco unificado basado en la teoría de procesos de conteo y modelos de supervivencia, extendido a través de Modelos Aditivos Generalizados (GAM).

Formulación del Modelo:
El núcleo del REM es modelar la intensidad $\lambda_{sr}(t)$ de un evento entre un emisor $s$ y un receptor $r$ en el tiempo $t$ :
$\lambda_{sr}(t) = I_{sr}(t) \times \lambda_0(t) \times \exp\{f[x_{sr}(t)]\}$
Donde:
- $I_{sr}(t)$ es un indicador de riesgo (si el evento es posible).
- $\lambda_0(t)$ es la tasa base, que puede variar en el tiempo y depender de covariables globales.
- $f[x_{sr}(t)]$ captura los efectos de las covariables (endógenas y exógenas), permitiendo relaciones no lineales y variables en el tiempo mediante funciones de suavizado (splines).
Covariables:
- Endógenas: Derivadas del historial de eventos (ej. reciprocidad, volumen de interacciones, cierre transitivo).
- Exógenas: Información externa (ej. distancia geográfica, características de los nodos, día de la semana).
- Aleatorias: Se incorporan efectos aleatorios para capturar heterogeneidad no observada (ej. invasividad latente de una especie).
Inferencia y Estimación:
El artículo detalla varias estrategias de inferencia de verosimilitud para manejar el costo computacional de los conjuntos de riesgo grandes:
1. Verosimilitud Parcial (Cox): Elimina la tasa base $\lambda_0(t)$ , asumiendo que solo importa el orden de los eventos.
2. Muestreo Anidado de Casos y Controles (NCC): Reduce el conjunto de riesgo muestreando un subconjunto de "no-eventos" (controles) para cada evento observado.
3. Verosimilitud Parcial Muestreada de Casos y Controles: Permite formular el problema como una regresión logística condicional o un GAM binario, donde la respuesta es fija (1) y las covariables son las diferencias entre el evento y el no-evento muestreado.
4. Proceso de Conteo Desplazado: Una técnica avanzada para incluir covariables globales en la inferencia de verosimilitud parcial, evitando que se cancelen al restar valores.
Selección y Validación:
Se utiliza el Criterio de Información de Akaike corregido (AICc) para la selección de modelos y se proponen pruebas de bondad de ajuste basadas en sumas acumuladas de residuos de martingala (adaptadas para efectos no lineales y aleatorios).

3. Contribuciones Clave

Tutorial Práctico: Llena el vacío de un manual "hands-on" que conecta la teoría REM con la implementación práctica en R, utilizando paquetes como mgcv, survival y eventnet.
Flexibilidad Metodológica: Introduce y demuestra cómo implementar efectos no lineales (usando splines) y efectos variables en el tiempo, superando las limitaciones de los modelos lineales fijos tradicionales.
Gestión de Covariables Globales: Presenta el método de "proceso desplazado" para estimar efectos de covariables globales dentro de esquemas de verosimilitud parcial, un problema técnico previamente difícil de resolver.
Generación de Datos Sintéticos: Proporciona algoritmos para simular datos de eventos relacionales, permitiendo la validación de los estimadores y la demostración de la capacidad de recuperación de parámetros reales.
Extensión a Hipereventos: Discute brevemente la extensión de los REM a hipereventos relacionales (interacciones grupales), ampliando el alcance del modelo.

4. Resultados y Aplicaciones Empíricas

El artículo valida la metodología mediante tres casos de estudio distintos:

Comunicaciones de Radio en el WTC (Datos Sintéticos y Reales):
- Se modelan comunicaciones de emergencia.
- Hallazgos: La actividad del emisor y la popularidad del receptor aumentan la tasa de eventos. La reciprocidad tiene un efecto positivo (respuesta a mensajes previos), mientras que la repetición tiene un efecto negativo (evitar llamadas repetidas a la misma persona). Los coordinadores tienen una probabilidad significativamente mayor de recibir comunicaciones.
Invasiones de Especies Alienígenas (Red Bipartita):
- Se analizan registros de primera aparición de especies en regiones no nativas.
- Hallazgos: Se demuestra la importancia de los efectos no lineales y variables en el tiempo. El comercio internacional tiene un efecto positivo pero decreciente en el tiempo (la influencia del comercio disminuye a medida que cambia la naturaleza de los bienes). La distancia tiene una relación no lineal con la tasa de invasión. Se identifican especies con alta "invasividad latente" mediante efectos aleatorios.
Comunicación por Correo Electrónico en una Empresa (Red Unimodal):
- Se analizan intercambios de correo electrónico.
- Hallazgos: Al modelar la reciprocidad y el momento del día como efectos no lineales, se revela que la probabilidad de respuesta disminuye con el tiempo transcurrido, pero con picos específicos. La inclusión de la "hora del día" como covariable global ayuda a explicar las variaciones en la reciprocidad, mostrando que la actividad varía cíclicamente durante el día laboral.

5. Significado e Impacto

Este trabajo es fundamental porque:

Democratiza el uso de REMs: Al proporcionar código reproducible y explicaciones paso a paso, hace que estas técnicas avanzadas sean accesibles para investigadores de diversas disciplinas (ecología, sociología, finanzas, salud).
Puente entre Disciplinas: Conecta el análisis de historia de eventos (supervivencia) con el modelado de redes dinámicas, ofreciendo un marco estadístico riguroso y flexible.
Superación de Limitaciones Computacionales: Las técnicas de muestreo y los enfoques basados en GAM permiten aplicar estos modelos a conjuntos de datos masivos (millones de eventos) que antes eran computacionalmente prohibitivos.
Interpretabilidad: A diferencia de las "cajas negras" de aprendizaje profundo, los REMs ofrecen interpretaciones claras de cómo los factores endógenos y exógenos impulsan la dinámica de las interacciones, incluyendo la capacidad de detectar patrones no lineales complejos.

En conclusión, el artículo establece un nuevo estándar para el modelado de eventos relacionales, transformándolo de una técnica teórica especializada en una herramienta práctica y robusta para el análisis de datos temporales dinámicos.