Relational event models with global covariates

Cet article propose une méthode d'échantillonnage innovante combinant des cas-témoins imbriqués et des non-événements temporellement décalés pour estimer les effets de covariables globales dans les modèles d'événements relationnels, permettant ainsi d'analyser l'influence de facteurs tels que la météo et l'heure sur les systèmes de vélopartage à Washington D.C.

L'essentiel

Voici une explication simple et imagée de cette recherche, comme si nous en discutions autour d'un café.

🚲 Le Grand Défi : Comprendre le "Pourquoi" des Vélos en Libre-service

Imaginez que vous êtes un détective qui observe des milliers de vélos qui partent d'une station A pour arriver à une station B. Vous avez deux types d'indices :

1. Les indices locaux : La distance entre les deux stations, si la station A est très proche d'une autre station (concurrence), etc.
2. Les indices globaux : La météo (il pleut ? il fait chaud ?) et l'heure de la journée (c'est l'heure du bureau ?).

Le problème : Les méthodes statistiques classiques utilisées jusqu'à présent sont comme des lunettes qui ne voient que les indices locaux. Elles sont aveugles aux indices globaux. Pourquoi ? Parce que dans leur calcul, les effets globaux (comme la pluie qui tombe sur tout le monde en même temps) s'annulent mathématiquement. C'est comme essayer de mesurer la force du vent en regardant seulement comment deux feuilles spécifiques bougent l'une par rapport à l'autre, sans tenir compte du fait que le vent souffle partout.

💡 La Solution Magique : Le "Décalage Temporel"

Les auteurs de l'article (Melania Lembo et son équipe) ont eu une idée géniale pour voir ces indices globaux. Ils ont inventé une technique qu'on pourrait appeler "Le Jeu du Décalage".

Voici l'analogie :
Imaginez que vous regardez une vidéo d'une foule de gens qui courent.

• La méthode normale : Vous regardez la vidéo en temps réel. Si tout le monde s'arrête parce qu'il pleut, vous ne pouvez pas dire si c'est la pluie ou autre chose, car tout le monde réagit pareil.
• La méthode des auteurs : Ils prennent la vidéo et ils la décalent !
  • Ils disent : "Pour le vélo qui est parti de la station A, je regarde l'heure réelle. Mais pour le vélo qui est parti de la station B, je regarde l'heure comme si c'était 10 minutes plus tard."
  • En décalant l'heure de chaque paire de stations différemment, ils créent une situation où, au moment où l'on compare deux vélos, l'un est "vu" par un temps ensoleillé et l'autre par un temps pluvieux (ou un moment de la journée différent).

Soudain, la pluie n'est plus la même pour tout le monde dans le calcul. Elle devient un facteur différenciant ! Cela permet de révéler l'impact réel de la météo et de l'heure sur les choix des cyclistes.

🎲 L'Astuce de l'Échantillonnage : Ne pas compter chaque grain de sable

Il y a un autre problème : il y a des millions de paires de stations possibles à Washington D.C. Calculer la probabilité pour chaque paire (même celles qui ne sont jamais utilisées) serait comme essayer de compter chaque grain de sable sur une plage pour prédire la marée. C'est impossible à faire à la main (ou même avec un ordinateur puissant).

Pour résoudre cela, ils utilisent une technique appelée "Échantillonnage Cas-Témoin Emboîté".

• L'analogie : Au lieu de compter tous les grains de sable, vous prenez un seau. À chaque fois qu'un vélo passe (le "Cas"), vous prenez un seau et vous y jetez au hasard un seul grain de sable qui n'a pas bougé (le "Témoin").
• Vous comparez seulement le vélo qui a bougé avec ce grain de sable immobile.
• En répétant cela des milliers de fois, vous obtenez une image très précise de la réalité sans avoir à tout compter.

📊 Ce qu'ils ont découvert à Washington D.C.

En appliquant cette méthode "magique" aux données de 350 000 trajets de vélos à Washington D.C., ils ont pu voir des choses que les anciennes méthodes manquaient :

1. La météo est reine : Il fait trop chaud ? Les gens arrêtent. Il pleut ? Les gens arrêtent. C'est logique, mais maintenant on peut le mesurer précisément.
2. L'heure de la journée : On voit clairement les pics de 8h-9h (aller au travail) et de 17h-18h (rentrer). Mais ils ont aussi vu que le soir, on a plus envie de faire du vélo qu'au matin !
3. La distance : Plus c'est loin, moins on y va (évident).
4. La "concurrence" négative : C'est le résultat le plus surprenant. On pensait que si une station avait beaucoup de voisines, elle serait moins utilisée. Au contraire, ils ont trouvé que les stations entourées d'autres stations sont plus utilisées. Pourquoi ? Peut-être que dans ces zones très denses, il y a simplement beaucoup plus de monde et de besoins, et que la proximité des stations aide à créer un "hub" de mobilité plutôt que de se faire concurrence.

🏁 En résumé

Cette recherche est comme si on avait donné des lunettes de vision nocturne à un détective qui ne voyait que la lumière du jour. Grâce à une astuce mathématique (décaler le temps) et une méthode intelligente d'échantillonnage (ne regarder qu'un échantillon représentatif), ils ont réussi à comprendre comment la météo et l'heure influencent nos déplacements à vélo, même dans une ville immense.

C'est une avancée majeure pour les urbanistes : maintenant, ils peuvent mieux prévoir où mettre des vélos et comment gérer le trafic en fonction de la pluie ou de l'heure, car ils ne regardent plus seulement les stations, mais aussi le ciel et l'horloge.

Résumé technique

Voici un résumé technique détaillé de l'article « Relational event models with global covariates » en français.

1. Problématique

Les modèles d'événements relationnels (Relational Event Models - REM) sont des outils puissants pour analyser les réseaux dynamiques où les interactions (comme les trajets de vélo-partage) sont modélisées comme des processus ponctuels temporels. Cependant, l'inférence standard dans les REM repose généralement sur une vraisemblance partielle (partial likelihood).

• La limitation : Dans l'approche de vraisemblance partielle classique, les effets globaux (covariables qui varient dans le temps mais sont constantes pour toutes les paires d'interaction, comme la météo ou l'heure de la journée) sont traités comme des paramètres de nuisance. Ils s'annulent mathématiquement dans le rapport de la vraisemblance partielle, rendant leur estimation impossible.
• L'alternative coûteuse : L'utilisation d'une vraisemblance complète (full likelihood) permettrait d'estimer ces effets, mais elle est computationnellement intractable pour les grands réseaux. Elle nécessite le calcul d'intégrales sur le prédicteur linéaire entre chaque événement, ce qui entraîne une complexité quadratique par rapport au nombre de nœuds. Pour des données massives (ex: millions de paires de stations de vélo), cette approche est prohibitive.
• Le besoin : Il existe un besoin critique de développer une méthode capable d'estimer à la fois les effets locaux (spécifiques aux nœuds ou dyadiques) et les effets globaux, tout en restant computationnellement efficace pour de grands réseaux dynamiques.

2. Méthodologie Proposée

Les auteurs proposent une approche innovante combinant un décalage temporel des événements et un échantillonnage cas-témoins imbriqué (nested case-control sampling).

A. Processus d'événements décalés dans le temps

L'idée centrale est de construire une version décalée du processus d'événements original.

• Pour chaque paire $(s, r)$, on applique un décalage temporel aléatoire positif $H_{sr}$ indépendant.
• Cela crée un nouveau processus où, à un instant $t$, les risques d'interaction pour différentes paires sont évalués à des moments différents ($t - H_{sr}$).
• Conséquence clé : Dans la vraisemblance partielle de ce processus décalé, les termes globaux (covariables dépendantes du temps) ne s'annulent plus, car ils sont évalués à des instants différents pour l'événement observé et les événements dans l'ensemble de risque. Cela permet d'estimer les effets globaux de manière cohérente.

B. Échantillonnage Cas-Témoins Imbriqué (Nested Case-Control)

Pour éviter le coût computationnel quadratique de la somme sur tout l'ensemble de risque :

• À chaque événement observé, un seul « non-événement » (une paire qui n'a pas interagi) est échantillonné aléatoirement dans l'ensemble de risque.
• Cela réduit la vraisemblance partielle à un produit de rapports binaires.

C. Modélisation Logistique Additive Dégénérée

En substituant le modèle d'intensité (incluant des termes lisses non linéaires) dans la vraisemblance échantillonnée, les auteurs montrent que le problème revient à l'estimation d'un modèle logistique additif dégénéré.

• La vraisemblance prend la forme d'une régression logistique où la réponse est toujours un succès (l'événement observé est toujours choisi par rapport au témoin).
• Les covariables dans ce modèle sont les différences des fonctions lisses évaluées à l'instant de l'événement et à l'instant du non-événement.
• Cette reformulation permet d'utiliser des techniques d'estimation efficaces et flexibles issues de la littérature sur les modèles additifs généralisés (GAM), comme les splines de régression, pour capturer des effets non linéaires et temporels complexes.

3. Contributions Clés

1. Estimation des effets globaux : Première méthode basée sur la vraisemblance partielle permettant d'estimer rigoureusement les covariables globales (météo, heure) dans les REM sans recourir à des approximations de vraisemblance complète.
2. Efficacité computationnelle : La méthode est applicable à des réseaux de très grande taille grâce à l'échantillonnage cas-témoins, évitant le calcul exhaustif de tous les pairs non-observés.
3. Flexibilité non linéaire : La connexion avec les modèles additifs logistiques dégénérés permet d'estimer des effets non linéaires et temporels complexes (via des splines) pour tous les types de covariables (globales, dyadiques, spécifiques aux nœuds).
4. Cohérence théorique : Contrairement aux approches de vraisemblance complète approximée (qui supposent un prédicteur linéaire constant entre les événements), cette méthode est cohérente et ne nécessite pas d'hypothèses de constance par morceaux.

4. Résultats

Étude de Simulation

• Performance : La méthode permet de récupérer avec précision les effets globaux et non globaux. L'erreur d'estimation diminue avec la taille de l'échantillon (nombre d'événements).
• Robustesse : Le nombre de nœuds n'a pas d'impact négatif significatif sur la précision, confirmant l'évolutivité de la méthode.
• Distribution de décalage : Une distribution de décalage trop petite (proche de zéro) ou trop grande nuit à la précision. Un décalage intermédiaire est optimal pour maximiser l'information apportée par la différence des covariables globales entre l'événement et le témoin.
• Comparaison avec la vraisemblance complète : Comparée à l'approche de vraisemblance complète approximée (Stadtfeld & Block, 2017), la méthode proposée présente une variance légèrement plus élevée mais un biais considérablement plus faible. De plus, elle est des millions de fois plus rapide.

Application : Vélo-partage à Washington D.C.

L'analyse de 350 000 trajets de vélo en juillet 2023 révèle :

• Effets Météorologiques : La température a un effet non linéaire : l'activité augmente avec la chaleur jusqu'à un certain seuil, puis diminue lorsqu'il fait trop chaud. Les précipitations découragent fortement l'usage.
• Effet Temporel (Heure de la journée) : L'activité suit un cycle circulaire clair, avec des pics aux heures de pointe (matin 4h-9h et soir vers 18h) et une baisse significative la nuit.
• Dynamiques Réseau :
  • Distance : L'usage diminue avec la distance, mais l'effet n'est pas linéaire pour les très courtes distances.
  • Répétition et Réciprocité : Des motifs de réutilisation de trajets et de réciprocité sont observés, avec un cycle journalier.
  • Concurrence : Les stations proches les unes des autres ne montrent pas une baisse d'activité (effet de concurrence négatif), suggérant plutôt une saturation de l'offre ou une demande locale très forte qui dépasse la capacité des stations isolées.

5. Signification et Impact

Cet article comble une lacune majeure dans l'analyse des réseaux dynamiques. En permettant l'inclusion de covariables globales dans les modèles d'événements relationnels, il ouvre la voie à une compréhension plus complète des phénomènes sociaux et urbains où le contexte environnemental (météo, heure, événements mondiaux) joue un rôle déterminant.

La méthodologie proposée offre un compromis optimal entre rigueur statistique (estimation cohérente sans biais d'approximation) et faisabilité computationnelle, rendant l'analyse de réseaux massifs (comme les systèmes de transport urbain, les communications financières ou les interactions en ligne) accessible et précise. Elle démontre également l'utilité des modèles additifs généralisés pour capturer la complexité non linéaire des dynamiques temporelles.