📊 statistics

Likelihood Inference for Latent Network Models under Snowball Sampling

Cet article traite du biais systématique dans les estimations des paramètres de réseau causé par l'omission des mécanismes d'échantillonnage en boule de neige en dérivant une vraisemblance exacte pour les modèles d'espace latent continu et en développant un algorithme d'espérance-maximisation stochastique qui améliore considérablement la précision de l'inférence et l'ajustement du modèle par rapport aux approches naïves.

Auteurs originaux : Nurzhan Sapargali, Sergio Buttazzo, Göran Kauermann

Publié 2026-06-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nurzhan Sapargali, Sergio Buttazzo, Göran Kauermann

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le gros problème : L'effet « boule de neige »

Imaginez que vous vouliez comprendre le cercle social entier d'une ville immense, mais que vous ne puissiez pas parler à tout le monde. Au lieu de cela, vous commencez par une personne (la « graine ») et vous lui demandez : « Qui sont tes amis ? ». Ensuite, vous demandez à ces amis : « Qui sont vos amis ? », et ainsi de suite.

C'est ce qu'on appelle l'échantillonnage par boule de neige (Snowball Sampling). C'est comme faire rouler une boule de neige du haut d'une colline ; elle commence petite mais ramasse de plus en plus de neige (de personnes) au fur et à mesure qu'elle descend.

Le piège :
Le problème est que cette méthode est biaisée. Les personnes qui ont beaucoup d'amis (les centres de popularité) sont beaucoup plus susceptibles d'être ramassées par la boule de neige que les personnes qui n'ont qu'un ou deux amis. Si vous vous contentez d'observer les personnes que vous avez collectées et que vous essayez de deviner comment toute la ville est connectée, vous vous tromperez. Vous penserez que la ville est beaucoup plus étroitement connectée et « compacte » qu'elle ne l'est réellement, car vous avez accidentellement rassemblé principalement la foule populaire.

La solution : Une nouvelle lentille mathématique

Les auteurs de cet article ont développé une nouvelle façon de faire les calculs pour que les chercheurs puissent corriger ce biais. Ils ont créé une « lentille corrigée » qui tient compte du fait que la méthode d'échantillonnage par boule de neige ignore naturellement les personnes discrètes et isolées.

Voici comment ils ont procédé, divisé en trois parties :

1. L'analogie du « mur invisible »

Imaginez que les personnes que vous n'avez pas trouvées se tiennent derrière un mur invisible.

L'erreur naïve : Si vous ignorez la méthode d'échantillonnage, vous supposez que tous ceux que vous n'avez pas trouvés sont comme ceux que vous avez trouvés. Vous supposez qu'ils sont tous en train de traîner au milieu de la fête.
La correction : Les auteurs ont réalisé que si une personne n'a pas été trouvée par la boule de neige, c'est parce qu'elle n'avait pas de connexion avec les personnes que vous avez trouvées lors des étapes précédentes. Elles sont « invisibles » parce qu'elles sont trop loin du groupe principal.
La magie mathématique : L'article prouve que pour une classe spécifique de modèles (appelés modèles à espace latent continu), vous pouvez calculer la probabilité de cette « invisibilité » sans avoir besoin de voir les personnes manquantes. C'est comme savoir que si vous n'entendez pas de bruit, la personne qui le fait doit être très loin, même si vous ne pouvez pas la voir. Cela leur permet d'écrire une formule mathématique parfaite (une vraisemblance) qui inclut les personnes manquantes sans avoir réellement besoin de les interviewer.

2. La « carte cachée » (Espace latent)

Pour comprendre le réseau, les auteurs imaginent que chaque personne possède une coordonnée secrète sur une carte cachée.

Si deux personnes sont proches sur cette carte cachée, elles sont susceptibles d'être amies.
Si elles sont éloignées, elles ne le sont probablement pas.

L'approche naïve : Lorsque les chercheurs ignorent le biais d'échantillonnage, ils dessinent cette carte cachée trop petite. Ils entassent tout le monde dans une pièce minuscule et bondée. Comme tout le monde est si proche sur cette petite carte, les mathématiques prédisent que tout le monde devrait être ami avec tout le monde. Cela conduit à la prédiction que le réseau possède beaucoup plus de connexions qu'il n'en a réellement.

L'approche corrigée : La nouvelle méthode étire la carte. Elle réalise : « Ah, les personnes que nous avons manquées sont en fait très loin sur la carte, c'est pourquoi la boule de neige n'est pas allée vers elles. » Cela crée une carte beaucoup plus grande et plus précise, où les distances entre les personnes reflètent la réalité.

3. Le test en conditions réelles : Les inventeurs de brevets

Pour prouver que leur méthode fonctionne, les auteurs l'ont testée sur un réseau réel et massif : les inventeurs de semi-conducteurs allemands (environ 6 000 personnes qui collaborent sur des brevets).

L'expérience : Ils ont pris 500 « boules de neige » différentes (échantillons) de ce réseau et ont essayé de reconstruire l'image complète en utilisant deux méthodes : l'ancienne méthode « naïve » et leur nouvelle méthode « corrigée ».
Les résultats :
- La méthode naïve : Elle a dessiné une carte où tout le monde était entassé. Elle prédisait que le réseau avait presque deux fois plus de connexions qu'il n'en avait réellement. Elle pensait que le monde était beaucoup plus petit et connecté qu'il ne l'est.
- La méthode corrigée : Elle a dessiné une carte 8 fois plus large (plus étalée). Cela correspondait beaucoup mieux aux données réelles. Elle a correctement prédit le nombre de connexions et la « forme » du réseau.

Pourquoi cela importe

L'article montre que si vous utilisez l'ancienne méthode naïve, vous pourriez tirer de fausses conclusions.

Exemple : Si vous étudiez comment la géographie affecte la collaboration, la méthode naïve pourrait dire : « Oh, la distance n'importe pas beaucoup car tout le monde est si proche sur notre petite carte. »
La vérité : La méthode corrigée montre que la distance compte énormément. Plus deux inventeurs sont éloignés, moins ils sont susceptibles de travailler ensemble. La méthode naïve cache cette réalité en compressant la carte.

L'essentiel à retenir

Les auteurs n'ont pas seulement dit que « l'échantillonnage par boule de neige est biaisé ». Ils ont construit un outil mathématique spécifique qui corrige ce biais pour un large éventail de modèles de réseaux. Ils ont montré qu'en tenant compte de l'« invisibilité » des personnes que vous avez manquées, vous pouvez obtenir une image véritable du réseau, même quand vous ne pouvez pas parler à tout le monde.

En bref : Ne vous contentez pas de regarder la boule de neige que vous avez fait rouler ; utilisez leur nouvelle mathématique pour découvrir qui a été laissé derrière dans la neige, afin de dessiner correctement la carte du monde entier.

Résumé technique : Inférence de vraisemblance pour les modèles de réseaux latents sous échantillonnage en boule de neige

Énoncé du problème
Les données de réseaux à grande échelle sont rarement entièrement observables en raison de contraintes logistiques, budgétaires ou éthiques. Bien que l'échantillonnage en boule de neige (snowball sampling) soit une méthode standard pour collecter des données auprès de populations difficiles d'accès, une inférence naïve ignorant le mécanisme d'échantillonnage produit des estimations de paramètres systématiquement biaisées. Plus précisément, parce que l'échantillonnage en boule de neige recrute préférentiellement des sommets de haut degré, le sous-graphe résultant apparaît plus regroupé et homogène que la population sous-jacente. Lorsque les praticiens ajustent des modèles de réseaux à ces échantillons comme s'il s'agissait de populations complètes, ils sous-estiment systématiquement l'hétérogénéité et la variance de la population. La littérature existante propose des estimateurs basés sur la conception pour des statistiques spécifiques ou des approches basées sur des modèles qui nécessitent une marginalisation computationnellement intraitable sur des configurations de réseaux non observées (par exemple, la sommation sur un nombre exponentiel de graphes). Il existe un manque de vraisemblance exacte, sous forme fermée, pour les échantillons en boule de neige qui soit valide pour une large classe de modèles de réseaux et efficacement calculable.

Méthodologie
Les auteurs dérivent la vraisemblance exacte pour les échantillons en boule de neige multi-ondes au sein de la classe des modèles d'espace latent continu (CLS - Continuous Latent Space). Dans les modèles CLS, les arêtes se forment indépendamment entre les paires de sommets conditionnellement aux quantités latentes au niveau des sommets (par exemple, des positions dans un espace géométrique).

Dérivation de la vraisemblance : La principale contribution théorique est la démonstration que l'indépendance conditionnelle des arêtes permet à la marginalisation sur les configurations de réseaux non observées de se réduire à une expression sous forme fermée.
- En partant du modèle d'Erdős–Rényi (ER), les auteurs dérivent la probabilité jointe de la matrice d'adjacence observée et des ensembles d'ondes. Ils montrent que la vraisemblance se factorise en termes impliquant les arêtes/non-arêtes observées à l'intérieur et entre les ondes adjacentes, ainsi qu'un terme produit représentant la probabilité que les sommets non observés n'aient aucune arête vers les ondes échantillonnées $V(0)$ à $V(r-1)$ .
- Ce résultat est étendu à la classe générale des CLS. La vraisemblance de l'échantillon en boule de neige est montrée comme étant équivalente à la vraisemblance d'un réseau CLS où les sommets non échantillonnés sont contraints de n'avoir aucune arête vers le noyau de l'échantillon ( $V(0) \cup \dots \cup V(r-1)$ ), tandis que les connexions au sein de l'ensemble non échantillonné et entre l'ensemble non échantillonné et la dernière onde $V(r)$ sont traitées comme manquantes.
- Les auteurs abordent l'identifiabilité des positions latentes pour les sommets non échantillonnés, montrant qu'elles ne sont identifiables que jusqu'à la classe d'équivalence des configurations produisant la même probabilité d'exclusion jointe.
Algorithme d'estimation : Pour implémenter cette vraisemblance pour le modèle de distance latente euclidienne (Hoff et al., 2002), les auteurs développent un algorithme d'espérance-maximisation stochastique (sEM).
- Étape E : Les positions latentes des sommets échantillonnés sont traitées comme des données manquantes et échantillonnées via une procédure de Monte Carlo par chaînes de Markov (MCMC). Les auteurs utilisent un échantillonneur de tranche elliptique (Elliptical Slice Sampler - ESS) pour des mises à jour sans réglage de paramètres (tuning-free). Crucialement, la contribution du vaste nombre de sommets non échantillonnés n'est pas modélisée individuellement, mais est intégrée comme une probabilité d'exclusion attendue de faible dimension.
- Étape M : Les paramètres sont mis à jour en maximisant la log-vraisemblance des données complètes aux positions latentes échantillonnées.
- Efficacité computationnelle : L'intégration sur les sommets non échantillonnés est approximée par des méthodes de quasi-Monte Carlo (QMC) (suites de Sobol), maintenant un surcoût computationnel modeste et évitant la mise à l'échelle quadratique typique de l'MCMC sur la population complète.

Contributions clés

Vraisemblance exacte sous forme fermée : Le papier fournit la première vraisemblance exacte sous forme fermée pour les échantillons en boule de neige multi-ondes applicable à la large classe des modèles CLS, résolvant le problème ouvert du calcul de telles distributions sans énumérer les réseaux non observés.
Implémentation algorithmique : Un algorithme d'espérance-maximisation stochastique est développé qui intègre naturellement la correction d'échantillonnage avec les échantillonneurs MCMC existants pour l'inférence de position latente, n'ajoutant qu'une intégrale de faible dimension.
Insight théorique : Ce travail clarifie que la non-ignorabilité de la sélection de l'ego dans les modèles CLS survient lorsque le mécanisme de sélection dépend des positions latentes (par exemple, la sélection proportionnelle au degré), un scénario que les auteurs notent ne pas être actuellement adressé par les approches générales basées sur les modèles.

Résultats empiriques
La méthodologie est appliquée à un réseau de co-inventeurs à grande échelle d'inventeurs de brevets de semi-conducteurs allemands ( $N \approx 6\,000$ ) et validée par des études de simulation approfondies.

Études de simulation : Dans les simulations de modèles d'Erdős–Rényi et de distance, l'estimateur naïf (ignorant l'échantillonnage) surestime gravement la densité des arêtes et sous-estime la variance de l'espace latent. L'estimateur corrigé par la boule de neige reste approximativement non biaisé, même avec des échantillons clairsemés.
Application de brevets de semi-conducteurs :
- Variance de l'espace latent : La procédure naïve sous-estime sévèrement l'étendue de l'espace latent (estimant $\hat{\psi} \approx 25$ contre $\hat{\psi} \approx 215$ pour le modèle corrigé).
- Nombre d'arêtes : Le modèle naïf produit des réseaux avec presque deux fois le nombre d'arêtes observé (moyenne de 41 154 contre 21 073 observés), tandis que le modèle corrigé reproduit de près le nombre observé (moyenne de 24 093).
- Adéquation du modèle (Goodness-of-Fit) : Le modèle corrigé atteint une qualité d'ajustement spectrale (SGOF) neuf fois meilleure que le modèle naïf (0,258 contre 0,027).
- Effets des covariables : Bien que les deux modèles s'accordent qualitativement sur les schémas d'homophilie de genre et de proximité géographique, le modèle naïf surestime systématiquement les probabilités de base des arêtes et atténue la décroissance de la probabilité de collaboration avec la distance géographique. Le modèle corrigé révèle une décroissance de la distance plus abrupte et une plus grande variabilité dans les propensions à la collaboration.

Signification et affirmations
Le papier affirme que l'ignorance du mécanisme d'échantillonnage en boule de neige conduit à des erreurs quantitatives dramatiques, altérant les conclusions sur l'hétérogénéité de la population et les effets des covariables. Le cadre proposé permet le premier test de résistance empirique des modèles de distance latente sur des réseaux à grande échelle présentant de véritables propriétés de "petit monde" (small-world), une échelle auparavant prohibitive pour l'inférence basée sur la vraisemblance.

Les auteurs notent modestement que, bien que le cadre améliore significativement l'inférence naïve, le modèle de distance euclidienne éprouve toujours des difficultés à ajuster parfaitement les réseaux de type "petit monde" avec des distributions de degré à queue lourde (une limitation théorique connue). Cependant, ils soutiennent que la procédure corrigée expose cette limitation du modèle de manière plus honnête que l'approche naïve, qui contracte artificiellement l'espace latent pour masquer le défaut d'ajustement. Le cadre est présenté comme une fondation pour de futures extensions aux espaces latents hyperboliques, aux modèles de graphon et aux modèles avec covariables, pour autant que l'hypothèse d'indépendance conditionnelle des arêtes soit respectée.