📊 statistics

Exact Likelihood Inference for Snowball-Sampled Erd\H{o}s-Rényi Networks

Cet article dérive un cadre d'inférence exact fondé sur la vraisemblance pour estimer les probabilités d'arêtes dans les réseaux d'Erdős-Rényi à partir de données échantillonnées par boule de neige, démontrant que l'estimateur du maximum de vraisemblance et les intervalles de confiance proposés éliminent efficacement le biais substantiel inhérent aux méthodes d'analyse standards.

Auteurs originaux : Nurzhan Sapargali, Sergio Buttazzo, G\''oran Kauermann

Publié 2026-08-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nurzhan Sapargali, Sergio Buttazzo, G\''oran 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

Imaginez que vous êtes un détective essayant de découvrir combien de personnes dans une ville immense et invisible sont amies les unes avec les autres. Vous ne pouvez pas voir toute la ville, alors vous décidez d'utiliser un tour astucieux : vous choisissez une personne, vous lui demandez qui sont ses amis, puis vous demandez à ces amis qui sont leurs amis, et ainsi de suite pendant quelques tours. C'est ce qu'on appelle l'échantillonnage par boule de neige (« snowball sampling »), car la liste des personnes connues s'accroît comme une boule de neige qui dévale une pente. Mais voici le piège : cette méthode est biaisée. Si vous commencez par une personne populaire, vous trouverez rapidement une foule immense d'amis, ce qui donnera l'impression que tout le monde dans la ville est extrêmement sociable. Si vous commencez par un solitaire, vous en trouverez très peu. Le problème est que la manière dont vous avez trouvé les personnes (en suivant les liens d'amitié) est exactement la même chose que ce que vous essayez de mesurer (combien d'amitiés existent). Si vous vous contentez de compter les amis que vous avez trouvés et que vous divisez ce nombre par le nombre de personnes rencontrées, vous obtiendrez une réponse erronée qui fera paraître la ville bien plus connectée qu'elle ne l'est réellement. Ce document s'attaque à ce casse-tête spécifique : comment corriger les mathématiques pour obtenir la vraie réponse, même lorsque notre travail de détective est intrinsèquement biaisé.

Les auteurs de cet article, Nurzhan Sapargali, Sergio Buttazzo et Göran Kauermann, ont trouvé un moyen de résoudre ce casse-tête pour un type spécifique de réseau où chaque paire de personnes a la même probabilité indépendante d'être amie. C'est un réseau « Erdős–Rényi », qui est comme une immense pièce où tout le monde lance une pièce pour décider de se serrer la main ou non. Dans ce monde simplifié, ils ont découvert que la méthode de la « boule de neige » suit un modèle très précis et prévisible. Au lieu d'ignorer la manière dont l'échantillon a été collecté, ils ont écrit la recette mathématique exacte (une fonction de vraisemblance) qui décrit précisément la probabilité d'observer le groupe de personnes et les connexions que vous avez trouvés, étant donné le véritable taux d'amitié.

Leur grande percée consiste à montrer que cet échantillon désordonné et biaisé peut être démêlé à l'aide d'une « famille exponentielle courbe ». C'est une façon sophistiquée de dire que les données s'insèrent dans une boîte mathématique bien nette possédant seulement deux nombres clés qui détiennent toute l'information nécessaire pour résoudre le mystère : le nombre d'amitiés réelles que vous avez trouvées, et un compte spécial qui inclut les personnes « manquantes » que vous n'avez pas trouvées mais que vous savez avoir été exclues parce qu'elles n'étaient pas amies avec votre groupe de départ. En utilisant cela, ils ont créé une nouvelle façon corrigée de calculer le taux d'amitié. Lorsqu'ils ont testé cela avec des simulations informatiques, ils ont constaté que l'ancienne méthode de comptage standard était souvent totalement erronée — surestimant parfois le taux d'amitié de dix ou même de cent fois, surtout si le réseau est clairsemé et l'échantillon réduit. En revanche, leur nouvel estimateur « corrigé par la boule de neige » était presque parfaitement précis, même lorsque l'échantillon couvrait moins de 0,1 % du réseau total.

Pour s'assurer qu'ils n'avaient pas simplement eu de la chance, ils ont également construit un moyen de créer des « intervalles de confiance », qui sont comme une fourchette de suppositions disant : « Nous sommes sûrs à 95 % que la vraie réponse se situe entre X et Y ». Comme les mathématiques pour ce réseau spécifique sont très complexes, ils n'ont pas pu utiliser une formule standard. À la place, ils ont utilisé une astuce informatique appelée simulation de Monte Carlo, qui consiste à lancer des milliers de faux échantillons de boules de neige pour voir comment les chiffres se comportent. Ils ont découvert que leurs intervalles de confiance atteignaient la cible presque exactement, capturant la valeur réelle 95 % du temps, tout en étant beaucoup plus serrés et utiles que les suppositions larges et vagues que l'on obtiendrait avec les anciennes méthodes.

Cependant, les auteurs prennent soin de préciser que ce tour de magie ne fonctionne que pour les réseaux où les amitiés sont totalement aléatoires et indépendantes, comme le lancer de pièces de monnaie. Les réseaux du monde réel sont plus désordonnés ; certaines personnes sont naturellement plus populaires et les amitiés se regroupent souvent en grappes. Le document exclut explicitement l'utilisation de cette formule exacte pour ces scénarios complexes du monde réel sans modifications supplémentaires. Ils notent également que leurs mathématiques supposent que la toute première personne que vous avez choisie (l'« ego ») a été choisie au hasard, et non parce qu'elle était célèbre ou populaire. Si vous avez accidentellement choisi une célébrité pour commencer votre boule de neige, les mathématiques s'effondrent à nouveau. Bien qu'ils aient résolu ce problème pour ce cas spécifique et simplifié, ils suggèrent que leur approche pourrait servir de modèle pour corriger des problèmes similaires dans des réseaux plus complexes à l'avenir. Pour l'instant, cependant, ils ont fourni une solution précise et exacte pour la version « lancer de pièces » du monde des réseaux, prouvant qu'avec la bonne mathématique, on peut voir toute la forêt même quand on n'a parcouru qu'un minuscule et biaisé coin de celle-ci.

Résumé Technique : Inférence de Vraisemblance Exacte pour les Réseaux d'Erdős–Rényi Échantillonnés par Boule de Neige

Énoncé du Problème
Les données de réseaux collectées via des plans de suivi de liens, tels que l'échantillonnage par boule de neige (snowball sampling), présentent un défi inférentiel fondamental : le mécanisme utilisé pour sélectionner l'échantillon dépend de la structure même du réseau (spécifiquement, la densité des liens) que l'on cherche à estimer. Traiter le sous-graphe observé comme une réalisation complète et représentative du réseau de la population — en ignorant le plan d'échantillonnage — conduit à une inférence systématiquement biaisée. Alors que les solutions générales pour l'échantillonnage de réseaux nécessitent souvent des sommes combinatoires intraitables sur les complétions possibles de réseaux (Handcock et Gile, 2010), cet article traite le cas spécifique de l'échantillonnage par boule de neige à $r$ -ondes avec un recrutement de voisinage complet issu d'un modèle d'Erdős–Rényi (ER). Les auteurs visent à dériver une vraisemblance exacte qui tient compte du mécanisme d'échantillonnage, permettant ainsi une estimation sans biais de la probabilité de lien $\pi$ et des intervalles de confiance valides, même lorsque l'échantillon ne couvre qu'une fraction négligeable du réseau total.

Méthodologie
L'article développe une dérivation en forme close de la probabilité jointe d'observer à la fois les ensembles de vagues échantillonnés ( $V^{(0)}, \dots, V^{(r)}$ ) et la matrice d'adjacence induite ( $Y^{(r)}$ ) sous le modèle ER.

Factorisation de la Vraisemblance : La probabilité jointe est factorisée en la probabilité marginale des ensembles de vagues et la probabilité conditionnelle de la matrice d'adjacence étant donné ces ensembles.
- Ensembles de Vagues : La probabilité d'observer des tailles de vagues spécifiques est dérivée en traitant le processus de recrutement comme une séquence de plans d'échantillonnage de Bernoulli. Pour la première vague, l'inclusion est un simple essai de Bernoulli avec une probabilité $\pi$ . Pour les vagues suivantes ( $k \ge 2$ ), un sommet est inclus s'il possède au moins un lien vers la vague précédente, ce qui conduit à une probabilité de succès de $1 - (1-\pi)^{n_{k-1}}$ .
- Matrice d'Adjacence : La distribution conditionnelle des liens est contrainte par le plan d'échantillonnage. Les liens entre des vagues non adjacentes doivent être nuls. Les liens entre des vagues adjacentes doivent satisfaire la condition selon laquelle chaque sommet de la vague $k$ possède au moins un lien vers la vague $k-1$ . Les liens au sein d'une même vague restent des essais de Bernoulli non contraints.
Famille Exponentielle Courbe : La fonction de masse de probabilité jointe résultante est montrée comme appartenant à une famille exponentielle courbe en le paramètre $\pi$ . La vraisemblance dépend des données uniquement par deux quantités scalaires :
- $|E^{(r)}|$ : Le nombre de liens observés dans l'échantillon.
- $T(n)$ : Une statistique suffisante représentant le nombre total de paires de sommets « contraintes », définie comme la somme des paires au sein des vagues, des paires entre vagues adjacentes, des paires entre vagues non adjacentes, et le produit des nœuds non échantillonnés avec la taille cumulative des vagues précédentes.
Estimation et Inférence :
- Estimateur du Maximum de Vraisemblance (EMV) : L'EMV exact, $\hat{\pi} = |E^{(r)}| / T(n)$ , est dérivé. Cet estimateur corrige l'estimateur standard (qui divise les liens par le nombre total de paires possibles dans le sous-graphe observé) en incorporant l'information sur les nœuds non échantillonnés et le mécanisme d'exclusion.
- Intervalles de Confiance : En raison de la complexité du comportement asymptotique de la distribution d'échantillonnage (qui dépend fortement de la relation entre $N$ et $\pi$ ), les auteurs construisent des intervalles de confiance via l'inversion de test. Ils utilisent la simulation de Monte Carlo avec échantillonnage préférentiel (importance sampling) pour approximer la distribution d'échantillonnage de l'EMV sous diverses valeurs candidates de $\pi$ , permettant ainsi la construction d'ensembles de confiance conservateurs sans reposer sur la normalité asymptotique.

Résultats Clés

Dérivation de la Vraisemblance Exacte : L'article fournit la première expression en forme close de la vraisemblance d'un échantillon par boule de neige à $r$ -ondes d'un réseau ER, résolvant un problème spécifique ouvert par Crane (2018).
Réduction du Biais : Les études de simulation démontrent que l'estimateur standard, qui ignore le plan d'échantillonnage, présente un biais ascendant sévère, particulièrement dans les réseaux creux ou lorsque le nombre d'ondes est faible (par exemple, surestimant $\pi$ de un à deux ordres de grandeur dans les échantillons à 1 vague). En revanche, l'EMV corrigé pour la boule de neige reste approximativement sans biais dans tous les scénarios testés, même lorsque l'échantillon ne couvre que 0,1 % du réseau.
Inférence Valide : Les intervalles de confiance de Monte Carlo construits via l'inversion de test atteignent des niveaux de couverture nominaux (par exemple, 95 %) dans la marge d'erreur de Monte Carlo à travers une gamme de probabilités de liens et de nombres d'ondes. Ces intervalles sont sensiblement plus étroits que ceux basés sur des intervalles de vraisemblance relative standard.
Suffisance : La paire $(|E^{(r)}|, T(n))$ est identifiée comme une statistique suffisante minimale pour $\pi$ , garantissant que l'estimateur proposé utilise toute l'information contenue dans l'échantillon concernant la probabilité de lien.

Signification et Revendications
Les auteurs affirment que ce travail fournit une solution exacte et traitable au problème de biais de sélection dans l'échantillonnage de réseaux pour le modèle fondamental d'Erdős–Rényi. En modélisant explicitement le mécanisme d'échantillonnage plutôt qu'en l'ignorant ou en le conditionnant (comme dans certaines approches ERGM conditionnelles), la méthode récupère l'information sur la partie non échantillonnée du réseau.

L'article pose que le cadre dérivé démontre un principe général : pour les modèles de réseaux où la vraisemblance se factorise sur les dyades (liens indépendants), le mécanisme d'échantillonnage par boule de neige peut être pris en compte avec une correction ciblée et à faible coût plutôt que par une marginalisation intractable. Cela offre une alternative principiée aux estimateurs qui traitent les réseaux échantillonnés comme des graphes de population complets. Les auteurs limitent explicitement leur contribution actuelle au modèle ER, et la sélection d'ego endogène ou l'observabilité partielle de la dernière vague sont discutées comme des extensions nécessitant des travaux futurs, bien que la seconde soit montrée comme étant formellement équivalente au traitement de ces liens comme non échantillonnés.

Articles similaires