📊 statistics

Simulation-consistent Estimation of the Marginal Likelihood for Block Models

Este artículo propone un estimador consistente con la simulación, asintóticamente normal e invariante al cambio de etiquetas para calcular verosimilitudes marginales de modelos de bloques utilizando muestras de MCMC, demostrando su eficacia mediante pruebas analíticas y una aplicación a un conjunto de datos de redes sociales de la COP28.

Autores originales: Martin Metodiev, Marie Perrot-Dockès, Guilhem Fouetillou, Pierre Latouche, Adrian E. Raftery

Publicado 2026-07-28

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Martin Metodiev, Marie Perrot-Dockès, Guilhem Fouetillou, Pierre Latouche, Adrian E. Raftery

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

Imagina que entras en una fiesta masiva y caótica donde miles de personas se mezclan, gritan y comparten historias. Tu objetivo es averiguar quién pertenece a qué grupo. ¿Son las personas en la esquina que discuten la última película de ciencia ficción un grupo diferente al de los que están junto a la ponchera debatiendo sobre el cambio climático? En el mundo de la ciencia de datos, esta fiesta es una "red", y los grupos se llaman "clústeres". Los científicos utilizan herramientas matemáticas llamadas "modelos de bloques" para mapear estos círculos sociales invisibles. Pero aquí está la parte difícil: al igual que intentar adivinar el número perfecto de grupos en una fiesta sin conocer la respuesta, es increíblemente difícil saber si has encontrado el número correcto de clústeres. Podrías suponer que hay 5 grupos, o tal vez 50, y sin una forma fiable de comprobarlo, podrías estar completamente equivocado. Esto es un gran problema porque, si no puedes contar los grupos con precisión, no puedes entender cómo la información, las ideas o incluso los virus se propagan a través de una red.

Aquí es donde entra en juego un nuevo método llamado THAMES (Estimador de la Media Armónica Truncada para Modelos de Bloques), que actúa como un detective superinteligente impulsado por simulaciones. Los investigadores detrás de este artículo, liderados por Martin Metodiev y colegas, han construido una herramienta que puede calcular la "puntuación" de diferentes configuraciones de grupos para ver cuál tiene más sentido. A diferencia de los métodos antiguos que a menudo se quedan estancados, se rinden o producen resultados increíblemente inestables, THAMES está diseñado para ser "consistente con la simulación". Piensa en esto como probar una sopa: si tomas una cucharada, puede que no sepas si está lo suficientemente salada. Pero si sigues tomando más y más cucharadas (simulaciones), tu gusto se vuelve cada vez más preciso hasta que estás absolutamente seguro. THAMES hace esto con los datos de redes, permitiendo que los científicos determinen con confianza el verdadero número de grupos ocultos, incluso en conjuntos de datos masivos y desordenados. Lo probaron en un ejemplo del mundo real que involucra millones de publicaciones sobre una importante conferencia climática, demostrando que puede encontrar patrones claros donde otros métodos se confunden.

El Problema: El Lío del "Cambio de Etiqueta"

Para entender por qué esta nueva herramienta es tan especial, primero debemos mirar el desorden de los datos. Imagina que estás clasificando una pila de canicas de colores en cubetas. Tienes canicas rojas, azules y verdes. Pero en la mente de la computadora, la cubeta "roja" podría llamarse "Cubeta 1" hoy y "Cubeta 3" mañana, aunque contenga exactamente las mismas canicas. Esto es un fenómeno llamado cambio de etiqueta (label switching).

En la matemática compleja utilizada para analizar redes, la computadora ejecuta una simulación (algo parecido a un experimento virtual) miles de veces para determinar los grupos. Debido al cambio de etiqueta, la computadora podría decir: "Bien, en esta ejecución, los activistas climáticos son el Grupo A", y en la siguiente: "Los activistas climáticos son el Grupo B". Si intentas promediar estos resultados, obtienes un desastre gigante y confuso. Es como intentar calcular la altura promedio de un grupo de personas si, cada vez que mides a alguien, intercambias aleatoriamente su nombre con el de otra persona. El promedio se vuelve inútil.

La mayoría de los métodos existentes para contar grupos en redes luchan con esto. O bien colapsan cuando los datos se vuelven demasiado grandes, o dependen de atajos (llamados aproximaciones) que funcionan bien en teoría pero pueden ser increíblemente inexactos en la vida real. Algunos métodos son como adivinar la cantidad de frijoles de colores en un frasco mirando el vidrio; otros son como intentar contarlos agitando el frasco y esperando que no se peguen entre sí. Los autores argumentan que estas formas antiguas suelen ser poco fiables, especialmente cuando los datos son finitos (no infinitos) y los grupos son difíciles de distinguir.

La Solución: THAMES, el Detective "Truncado"

El artículo presenta THAMES, una nueva forma de calcular la "verosimilitud marginal". En lenguaje sencillo, la verosimilitud marginal es una puntuación que te dice qué tan bien explica un número específico de grupos los datos que tienes. Una puntuación más alta significa que el modelo se ajusta mejor.

Los autores crearon THAMES combinando dos ideas existentes pero corrigiendo sus mayores fallas.

El Estimador de la Media Armónica: Este es un truco antiguo que es fácil de calcular pero notoriamente inestable. Es como intentar equilibrar una casa de naipes en un huracán; una pequeña ráfaga (un dato extraño) puede derribar todo.
La Aproximación Variacional: Esta es una suposición rápida e inteligente basada en una versión simplificada del problema. Suele ser precisa, pero puede estar sesgada (ligeramente errónea) porque es una simplificación.

THAMES toma lo mejor de ambos mundos. Utiliza la suposición inteligente para definir un "conjunto de truncamiento": una lista específica y manejable de las configuraciones de grupos más probables en las que enfocarse. Al ignorar los valores atípicos extraños e improbables (la "cola" de la distribución), evita la inestabilidad del antiguo método de la Media Armónica. Al mismo tiempo, utiliza los datos reales de la simulación para asegurar que el resultado sea preciso, evitando el sesgo de la suposición simplificada.

Crucialmente, THames es simétrico. Esto significa que no le importa si la computadora llama a un grupo "Clúster 1" o "Clúster 100". Trata a todos los grupos como un conjunto único y unificado. Esto resuelve el problema del "cambio de etiqueta" automáticamente. Si la computadora intercambia los nombres de los grupos, la puntuación de THAMES permanece exactamente igual. Es como un juez al que solo le importa la calidad de la actuación, no el nombre del concursante.

La Prueba: Simulaciones y Pruebas del Mundo Real

Los autores no solo construyeron esta herramienta; la sometieron a prueba rigurosa.

La Prueba de Simulación:
Crearon redes falsas donde conocían la respuesta exacta (el número "verdadero" de grupos). Probaron THAMES contra otros métodos populares, incluyendo el antiguo estimador de la Media Armónica y un método llamado ChibPartition.

El Resultado: A medida que aumentaba el número de simulaciones (de 1,000 a 10,000), el error en el cálculo de THAMES disminuía constantemente. Era "consistente con la simulación", lo que significa que cuanto más ejecutaban la simulación, más se acercaban a la verdad.
La Comparación: El antiguo estimador de la Media Armónica estaba por todos lados, fallando por completo a veces cuando los datos eran complicados. El método ChibPartition funcionaba bien solo cuando un grupo específico era abrumadoramente popular, pero colapsaba cuando los grupos estaban más equilibrados. THAMES, sin embargo, se mantuvo estable y preciso en todos los escenarios.

La Prueba del Mundo Real: COP28
Para ver si THAMES podía manejar una situación real y desordenada, los autores lo aplicaron a un conjunto de datos masivo de la Conferencia de las Naciones Unidas sobre el Cambio Climático de 2023 (COP28). Recopilaron más de 4 millones de publicaciones de la red social X (antes Twitter), lo que involucró a más de 1 millón de usuarios. Después de limpiarlo, analizaron una red de aproximadamente 11,000 usuarios.

El Hallazgo: THAMES determinó que la red se explicaba mejor mediante 12 clústeres distintos.
El Contraste: Compararon esto con un método alternativo popular llamado ICL (Verosimilitud Completa Integrada), que sugería que había 37 clústeres.
La Perspectiva: Cuando los autores observaron los 37 clústeres del método ICL, encontraron que estaban "fracturados". Por ejemplo, el método ICL dividió al grupo central de figuras influyentes (como Al Gore y el Cambio Climático de la ONU) en múltiples grupos diminutos y separados. También fragmentó el movimiento #SaveSoil en cuatro clústeres diferentes y desconectados.
La Visión de THAMES: En contraste, los 12 clústeres encontrados por THAMES tenían mucho más sentido sociológico. Identificó una estructura clara de "núcleo-periferia". Había un pequeño clúster central (Clúster 11) que contenía solo a 5 usuarios: Cambio Climático de la ONU, Al Gore, COP28 UAE, Colaboración Pérdida y Daño, y António Guterres. Todos los demás usuarios en la red eran grupos de la "periferia" que principalmente citaban o republicaban este núcleo central. Esto reveló un patrón de estrella donde unas pocas voces dominantes impulsaban la conversación, y todos los demás reaccionaban ante ellas.

Los autores señalan que esta estructura tiene sentido en el mundo real: los eventos climáticos importantes suelen tener algunas figuras centrales que dominan la narrativa, mientras que los movimientos de base y los bots orbitan alrededor de ellos. El hecho de que THAMES encontrara esta estructura limpia y lógica, mientras que el otro método encontraba un caos de 37 grupos diminutos, sugiere que THAMES es mejor para encontrar la verdadera estructura oculta en las redes sociales complejas.

Por Qué Esto Importa

El artículo concluye que THAMES es un paso adelante significativo porque es el primer método de su tipo que es tanto consistente con la simulación (se vuelve más preciso con más potencia de cómputo) como invariante al cambio de etiqueta (no se confunde con las convenciones de nomenclatura).

Aunque los autores son cuidadosos al señalar que esto es una herramienta para la estimación y la selección de modelos y no una solución mágica para todos los problemas de la ciencia de redes, los resultados son convincentes. Demuestran que, al combinar aproximaciones inteligentes con simulaciones rigurosas, finalmente podemos contar los grupos invisibles en nuestro mundo digital con mucha más confianza. Ya sea para entender cómo se propaga la información climática, cómo se forman las burbujas políticas o cómo se mueven las enfermedades a través de una población, tener una forma fiable de contar los grupos es el primer paso para entender el panorama completo.

En resumen, THAMES es la nueva y fiable regla para medir las formas ocultas de nuestras redes sociales, demostrando que, a veces, la mejor manera de encontrar la verdad es dejar de adivinar y empezar a simular con precisión.

Resumen Técnico: Estimación de la Verosimilitud Marginal Consistente con la Simulación para Modelos de Bloques

Planteamiento del Problema
El modelo de bloques estocásticos (SBM, por sus siglas en inglés) es un modelo de grafos aleatorios estándar para el agrupamiento de nodos, capaz de manejar estructuras heterogéneas como comunidades o patrones de estrella. Sin embargo, un problema importante no resuelto en la inferencia de SBM es la estimación del número de grupos ( $G$ ). Desde una perspectiva bayesiana, el criterio de selección de modelos óptimo es aquel que maximiza el producto de la verosimilitud marginal y la probabilidad a priori del modelo. No obstante, la verosimilitud marginal $Z(G)$ implica una suma sobre todas las posibles configuraciones de grupos, la cual crece exponencialmente con el tamaño de la red, lo que la vuelve computacionalmente intratable.

Los métodos existentes para estimar el número de grupos en SBM se basan en aproximaciones asintóticas o aproximaciones variacionales. Si bien estos pueden ser razonables en casos límite donde el tamaño de la red crece, no se conocen resultados de consistencia para estas aproximaciones con respecto a tamaños de datos finitos. Además, la mayoría de los estimadores de la verosimilitud marginal consistentes con la simulación (que convergen a medida que aumenta el número de simulaciones) requieren la evaluación de la función de verosimilitud, lo cual es imposible para el SBM debido a la suma intratable sobre las configuraciones. Adicionalmente, la estimación estándar de los parámetros de SBM mediante MCMC bayesiano sufre del problema de "cambio de etiquetas" (label switching), donde los parámetros cambian de etiquetas aleatoriamente, causando una alta varianza en los estimadores ergódicos.

Metodología: El Estimador de la Media Armónica Truncada (THAMES)
Los autores proponen el Estimador de la Media Armónica Truncada (THAMES), un estimador consistente con la simulación para la verosimilitud marginal del SBM que no requiere evaluar la función de verosimilitud intratable. El método se basa en las distribuciones "colapsadas" de los vectores de asignación latentes, que están disponibles en formas analíticas simples.

El núcleo de la metodología involucra los siguientes pasos:

Marco de Muestreo de Importancia Recíproca (RIS): El estimador se enmarca en el contexto de RIS, donde la inversa de la verosimilitud marginal se estima promediando la razón de una densidad de propuesta $h(C)$ respecto a la densidad posterior.
Simetría y Cambio de Etiquetas: Para abordar el cambio de etiquetas, el estimador se construye para ser simétrico (invariante a las permutaciones de etiquetas). Esto se logra promediando sobre permutaciones o definiendo la densidad de propuesta sobre conjuntos simétricos.
Estrategia de Truncamiento: El THAMES combina la densidad uniforme del estimador ChibPartition con una aproximación variacional utilizada en el Muestreo de Importancia Recíproca de Variación Bayesiana (RISVB). Define un conjunto de truncamiento $A$ $A$ (un subconjunto del espacio del vector de asignación) para reducir la varianza.
- El conjunto $A$ se construye como la intersección de un conjunto producto cartesiano $E_{\hat{C}, \hat{r}}$ (basado en los vectores de asignación más probables de la primera mitad de la muestra MCMC) y una región de Densidad Posterior Más Alta (HPD) $H_\alpha$ .
- El parámetro $\alpha$ se elige empíricamente para minimizar la varianza de la muestra del estimador.
Computación Eficiente: Una contribución clave es una optimización algorítmica que reduce drásticamente el costo computacional. En lugar de sumar sobre todos los $G!$ permutaciones (que es superexponencial), el método identifica un orden lexicográfico de los vectores de asignación. Bajo la condición de que no existan grupos vacíos en la segunda mitad de la muestra MCMC, la suma sobre las permutaciones puede reducirse a una suma sobre un conjunto $\Omega$ mucho más pequeño, que a menudo contiene solo un elemento.
Manejo de Grupos Vacíos: Si ocurren grupos vacíos en la muestra MCMC, los autores utilizan una extensión de la fórmula de Nobile para relacionar la verosimilitud marginal de un modelo con $G$ grupos con uno de $G-1$ grupos, permitiendo que el estimador proceda sin el grupo vacío.

Contribuciones Clave

Primer Estimador Consistente con la Simulación para SBM: Según conocimiento de los autores, este es el primer estimador presentado que converge a la verosimilitud marginal con un aumento en el número de simulaciones, incluso cuando el tamaño de la red es fijo y pequeño.
Propiedades Teóricas: Se demuestra que el THAMES es consistente con la simulación y asintóticamente normal con varianza finita bajo condiciones estándar. También es simétrico, lo que lo hace invariante al problema del cambio de etiquetas.
Eficiencia Computacional: El método permite una computación eficiente incluso para modelos con un gran número de componentes al evitar la suma completa de permutaciones y no requerir la evaluación de la función de verosimilitud.
Aplicabilidad: El enfoque es aplicable al SBM y, por analogía, al Modelo de Bloques Latentes (LBM) para el co-agrupamiento.

Resultados
El desempeño de THAMES fue evaluado mediante estudios de simulación donde la verdadera verosimilitud marginal pudo ser computada analíticamente (usando redes pequeñas con $n=10$ y $G=2$ ).

Convergencia: El error entre el logaritmo del estimador THAMES y el verdadero logaritmo de la verosimilitud marginal disminuyó a medida que aumentaba el tamaño de la muestra MCMC ( $T$ ), confirmando la consistencia de la simulación.
Comparación: THAMES se comparó contra el Estimador de la Media Armónica (HME), el estimador ChibPartition, el estimador RISVB y las aproximaciones variacionales (ILvb).
- El HME resultó ser inestable, particularmente cuando la distribución posterior estaba altamente concentrada.
- Los estimadores variacionales (ILvb) mostraron sesgo, particularmente cuando los supuestos variacionales no se cumplían (por ejemplo, en regímenes de $\lambda$ bajos), y requirieron un factor de corrección ( $G!$ ) para dar cuenta del enfoque en un solo modo.
- En una simulación específica que emula el conjunto de datos COP28 (donde la probabilidad posterior del estimador de Máxima A Posteriori (MAP) era extremadamente baja y no hubo repeticiones en la muestra), THAMES superó significativamente a otros estimadores. El estimador ChibPartition falló en este escenario de baja probabilidad porque el conjunto de estados MAP repetidos estaba vacío.
Aplicación al Mundo Real (COP28): El método se aplicó a un conjunto de datos de redes sociales derivado de la Conferencia de las Naciones Unidas sobre el Cambio Climático de 2023 (COP28), que contiene más de 1 millón de nodos y 2 millones de aristas (preprocesados a ~11k nodos).
- THAMES estimó que el número óptimo de grupos era $G=12$ .
- En contraste, el criterio de Verosimilitud Completa Integrada (ICL), utilizando un algoritmo codicioso (greedy), estimó $G=37$ .
- El agrupamiento de THAMES reveló una estructura de núcleo-periferia donde un pequeño grupo central (Grupo 11, tamaño 5) que contenía figuras clave (ej. Al Gore, ONU Cambio Climático) era citado/reposteado por todos los demás grupos, mientras que las conexiones internas dentro de otros grupos eran raras. Esta estructura fue interpretada como un patrón de "mezcla disasortativa asimétrica".
- El resultado de ICL fue descrito como "fracturado", dividiendo el núcleo y movimientos específicos (como #SaveSoil) en múltiples grupos pequeños e inestables, mientras que THAMES proporcionó una identificación estructural más robusta.

Significancia y Reivindicaciones
El artículo afirma que THAMES proporciona la primera herramienta consistente con la simulación para determinar el número de grupos en modelos de bloques, abordando una brecha crítica en la selección de modelos bayesianos para datos de redes. Al ser invariante al cambio de etiquetas y computacionalmente eficiente, permite el uso de verosimilitudes marginales para la comparación de modelos en entornos donde los métodos previos eran inconsistentes o intratables. La aplicación al conjunto de datos COP28 demuestra su utilidad práctica para identificar estructuras sociales a gran escala y dispersas, ofreciendo información sobre la dinámica núcleo-periferia de la comunicación climática en línea que otros métodos (como ICL) podrían oscurecer mediante la sobre-segmentación. Los autores señalan que, aunque el método depende de distribuciones colapsadas, trabajos futuros podrían explorar la extensión de la estimación consistente con la simulación a modelos donde tales distribuciones no estén disponibles.

El Problema: El Lío del "Cambio de Etiqueta"

La Solución: THAMES, el Detective "Truncado"

La Prueba: Simulaciones y Pruebas del Mundo Real

Por Qué Esto Importa

Más como este