Likelihood Inference for Latent Network Models under Snowball Sampling

Resumen Técnico: Inferencia de Verosimilitud para Modelos de Redes Latentes bajo Muestreo de Bola de Nieve

Planteamiento del Problema
Los datos de redes a gran escala rara vez son totalmente observables debido a restricciones logísticas, presupuestarias o éticas. Si bien el muestreo de bola de nieve es un método estándar para recolectar datos de poblaciones de difícil acceso, la inferencia ingenua que ignora el mecanismo de muestreo produce estimaciones de parámetros sistemáticamente sesgadas. Específicamente, debido a que el muestreo de bola de nieve recluta preferencialmente vértices de alto grado, el subgrafo resultante parece más agrupado y homogéneo de lo que es la población subyacente. Cuando los profesionales ajustan modelos de redes a estas muestras como si fueran poblaciones completas, subestiman sistemáticamente la heterogeneidad y la varianza de la población. La literatura existente ofrece estimadores basados en el diseño para estadísticas específicas o enfoques basados en modelos que requieren una marginalización computacionalmente intratable sobre configuraciones de red no observadas (por ejemplo, sumar sobre exponencialmente muchos grafos). Existe una falta de una verosimilitud exacta de forma cerrada para muestras de bola de nieve que sea válida en una amplia clase de modelos de redes y computacionalmente eficiente.

Metodología
Los autores derivan la verosimilitud exacta para muestras de bola de nieve de múltiples ondas dentro de la clase de modelos de Espacio Latente Continuo (CLS, por sus siglas en inglés). En los modelos CLS, los bordes se forman independientemente entre pares de vértices condicionados a cantidades latentes a nivel de vértice (por ejemplo, posiciones en un espacio geométrico).

1. Derivación de la Verosimilitud: La contribución teórica central es la demostración de que la independencia condicional de los bordes permite que la marginalización sobre las configuraciones de red no observadas se reduzca a una expresión de forma cerrada.

   • Partiendo del modelo de Erdős–Rényi (ER), los autores derivan la probabilidad conjunta de la matriz de adyacencia observada y los conjuntos de ondas. Demuestran que la verosimilitud se factoriza en términos que involucran bordes/no-bordes observados dentro y entre ondas adyacentes, y un término de producto que representa la probabilidad de que los vértices no observados no tengan bordes con las ondas muestreadas $V(0)$ a través de $V(r-1)$.
   • Este resultado se extiende a la clase general de CLS. Se muestra que la verosimilitud de la muestra de bola de nieve es equivalente a la verosimilitud de una red CLS donde los vértices no muestreados están restringidos a no tener bordes con la muestra central ($V(0) \cup \dots \cup V(r-1)$), mientras que las conexiones dentro del conjunto no muestreado y entre el conjunto no muestreado y la onda final $V(r)$ se tratan como faltantes.
   • Los autores abordan la identificabilidad de las posiciones latentes para los vértices no muestreados, mostrando que son identificables solo hasta la clase de equivalencia de configuraciones que producen la misma probabilidad de exclusión conjunta.

2. Algoritmo de Estimación: Para implementar esta verosimilitud para el modelo de distancia latente euclidiana (Hoff et al., 2002), los autores desarrollan un algoritmo de Esperanza-Maximización estocástica (sEM).

   • Paso E: Las posiciones latentes de los vértices muestreados se tratan como datos faltantes y se muestrean mediante un procedimiento de Monte Carlo por Cadenas de Markov (MCMC). Los autores utilizan un Muestreador de Rebanada Elíptica (ESS) para actualizaciones libres de ajuste de parámetros. Crucialmente, la contribución de la vasta cantidad de vértices no muestreados no se modela individualmente, sino que se integra como una única probabilidad de exclusión esperada de baja dimensión.
   • Paso M: Los parámetros se actualizan maximizando la log-verosimilitud de datos completos en las posiciones latentes muestreadas.
   • Eficiencia Computacional: La integración sobre los vértices no muestreados se aproxima utilizando métodos de Quasi-Monte Carlo (QMC) (secuencias de Sobol), manteniendo el gasto computacional modesto y evitando la escala cuadrática típica del MCMC de población completa.

Contribuciones Clave

• Verosimilitud Exacta de Forma Cerrada: El artículo proporciona la primera verosimilitud exacta de forma cerrada para muestras de bola de nieve de múltiples ondas aplicable a la amplia clase de modelos CLS, resolviendo el problema abierto de computar tales distribuciones sin enumerar las redes no observadas.
• Implementación Algorítmica: Se desarrolla un algoritmo de EM estocástico que integra la corrección de muestreo naturalmente con los muestreadores MCMC existentes para la inferencia de posición latente, añadiendo solo una integral de baja dimensión.
• Perspectiva Teórica: El trabajo clarifica que la no-ignorabilidad de la selección del ego en los modelos CLS surge cuando el mecanismo de selección depende de las posiciones latentes (por ejemplo, selección proporcional al grado), un escenario que los autores señalan que no es abordado actualmente por los enfoques generales basados en modelos.

Resultados Empíricos
La metodología se aplica a una red de co-inventores de gran escala de solicitantes de patentes de semiconductores alemanes ($N \approx 6,000$) y se valida mediante extensos estudios de simulación.

• Estudios de Simulación: En simulaciones de modelos de Erdős–Rényi y de distancia, el estimador ingenuo (ignorando el muestreo) sobreestima severamente la densidad de bordes y subestima la varianza del espacio latente. El estimador corregido por bola de nieve permanece aproximadamente insesgado incluso con muestras dispersas.
• Solicitud de Patentes de Semiconductores:
  • Varianza del Espacio Latente: El procedimiento ingenuo subestima severamente la dispersión del espacio latente (estimando $\hat{\psi} \approx 25$ frente a $\hat{\psi} \approx 215$ para el modelo corregido).
  • Conteo de Bordes: El modelo ingenuo produce redes con casi el doble de conteo de bordes observado (media de 41,154 frente a 21,073 observados), mientras que el modelo corregido reproduce de cerca el conteo observado (media de 24,093).
  • Bondad de Ajuste: El modelo corregido logra una bondad de ajuste espectral (SGOF) nueve veces mejor que el modelo ingenuo (0.258 vs. 0.027).
  • Efectos de Covariables: Aunque ambos modelos concuerdan cualitativamente en los patrones de homofilia de género y proximidad geográfica, el modelo ingenuo sobreestima sistemáticamente las probabilidades base de bordes y atenúa el decaimiento de la probabilidad de colaboración con la distancia geográfica. El modelo corregido revela un decaimiento de distancia más pronunciado y una mayor variabilidad en las propensiones de colaboración.

Significancia y Reclamaciones
El artículo afirma que ignorar el mecanismo de muestreo de bola de nieve conduce a errores cuantitativamente dramáticos en la inferencia de redes, alterando las conclusiones sobre la heterogeneidad de la población y los efectos de las covariables. El marco propuesto permite la primera prueba de estrés empírica de los modelos de distancia latente en redes a gran escala que exhiben propiedades genuinas de "mundo pequeño", una escala que anteriormente era computacionalmente prohibitiva para la inferencia basada en verosimilitud.

Los autores señalan modestamente que, si bien el marco mejora significativamente la inferencia ingenua, el modelo de distancia euclidiana todavía tiene dificultades para ajustar perfectamente las redes de mundo pequeño con distribuciones de grado de cola pesada (una limitación teórica conocida). Sin embargo, argumentan que el procedimiento corregido expone esta limitación del modelo de manera más honesta que el enfoque ingenuo, que contrae artificialmente el espacio latente para enmascarar el desajuste. El marco se presenta como una base para futuras extensionas a espacios latentes hiperbólicos, modelos de graphon y modelos con covariables, siempre que se cumpla el supuesto de independencia condicional de los bordes.