📊 statistics

Parametric Bootstrap for Fixed Edge-Probability Network Models

यह शोध पत्र चुंग-लू (Chung-Lu) मॉडल के तहत मानक नेटवर्क पुनर्संमूर्पण (resampling) विधियों के अंतर्निहित पूर्वाग्रह को ठीक करने के लिए एक द्वि-स्तरीय पैरामीट्रिक बूटस्ट्रैप प्रक्रिया प्रस्तावित करता है, जिससे सामान्य नेटवर्क सांख्यिकी के लिए अधिक सटीक अनिश्चितता परिमाणीकरण और विश्वास अंतराल निर्माण सक्षम होता है।

मूल लेखक: Zhixuan Shao, Can M. Le

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhixuan Shao, Can M. Le

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल, जटिल सामाजिक नेटवर्क है, जैसे कि एक बड़े शहर में कौन किसे जानता है, उसका एक नक्शा। आप इस शहर की विशिष्ट विशेषताओं को समझना चाहते हैं, जैसे कि "तीन दोस्तों के कितने समूह मौजूद हैं?" (त्रिकोण/triangles) या "किसी विशिष्ट व्यक्ति का पड़ोस कितना घनिष्ठ है?" (क्लस्टरिंग गुणांक/clustering coefficient)।

समस्या यह है कि आपके पास केवल एक ही स्नैपशॉट (एक तस्वीर) है। आप उन "वास्तविक" नियमों को नहीं जानते जो मूल रूप से लोगों ने दोस्ती कैसे की थी। केवल परिणाम देखते हैं। स्मार्ट निर्णय लेने या भविष्यवाणी करने के लिए, आपको यह जानना होगा: यदि हम उसी शहर का एक अलग स्नैपशॉट लें, तो ये संख्याएँ कितनी बदल सकती हैं? सांख्यिकी (statistics) में, इसे अनिश्चितता (uncertainty) कहा जाता है।

यह शोध पत्र इस अनिश्चितता को मापने का एक नया तरीका प्रस्तावित करता है, विशेष रूप से उन नेटवर्क के लिए जहाँ हर व्यक्ति का अपना एक अनूठा व्यक्तित्व होता है (कुछ लोकप्रिय होते हैं, कुछ शर्मीले), न कि यह मानकर कि हर कोई बिल्कुल एक जैसा है।

यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "अंधे शेफ" की गलती (The "Blind Chef" Mistake)

कल्पना कीजिए कि आप एक शेफ हैं जो अभी-अभी चखी गई एक सूप के सटीक नुस्खे (recipe) का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका (स्टैंडर्ड बूटस्ट्रैप): आप सूप चखते हैं, नुस्खे का अनुमान लगाते हैं (जैसे, "इसमें 2 चम्मच नमक और 1 गाजर है"), और फिर अपने रसोईघर में उस नुस्खे का उपयोग करके सूप को फिर से बनाने की कोशिश करते हैं। आप अपने नए सूप को चखते हैं और मूल सूप से उसकी तुलना करते हैं।
दोष: यह शोध पत्र दिखाता है कि यह तरीका अक्सर पक्षपाती (biased) होता है। क्योंकि नुस्खे के बारे में आपका अनुमान एकदम सही नहीं है, इसलिए आपका नया सूप मूल सूप से थोड़ा अलग स्वाद वाला होगा, भले ही आपने अपने अनुमान का पूरी तरह से पालन किया हो। शोध पत्र की भाषा में, नेटवर्क को पुन: नमूना लेने का "प्राकृतिक" तरीका (पहले मॉडल का अनुमान लगाना, फिर सिमुलेशन करना) एक व्यवस्थित त्रुटि (systematic error) पैदा करता है। यह ऐसा है जैसे शेफ का नमक की मात्रा का अनुमान थोड़ा गलत है, इसलिए उसके द्वारा बनाया गया हर सूप थोड़ा अधिक नमकीन होता है, जिससे उसे लगता है कि मूल सफा थोड़ा अधिक नमकीन था जबकि वह नहीं था।

2. समाधान: "डबल-चेक" किचन (दो-स्तरीय बूटस्ट्रैप)

इसे ठीक करने के लिए, लेखक एक दो-स्तरीय बूटस्ट्रैप (Two-Level Bootstrap) पेश करते हैं। इसे एक "मेटा-टेस्टिंग" प्रक्रिया के रूप में सोचें।

स्तर 1 (पहला अनुमान): आप मूल सूप चखते हैं और नुस्खे का अनुमान लगाते हैं (मान लीजिए कि यह 'रेसिपी ए' है)।
स्तर 2 (दूसरा अनुमान): अब, कल्पना कीजिए कि आपके पास सहायक शेफ (sous-chefs) की एक टीम है। प्रत्येक व्यक्ति रेसिपी ए को लेता है और उसके आधार पर अपने स्वयं के नुस्खे का अनुमान लगाने की कोशिश करता है। वे रेसिपी बी, रेसिपी सी, रेसिपी डी आदि बनाते हैं।
जादू: रेसिपी ए से बने सूपों की तुलना रेसिपी बी, सी और डी से बने सूपों से करके, आप गणितीय रूप से गणना कर सकते हैं कि आपका पहला अनुमान (रेसिपी ए) कितना गलत था।

यह "डबल-चेक" लेखकों को उनके प्रारंभिक अनुमान से होने वाली त्रुटि को घटाने की अनुमति देता है। यह ऐसा है जैसे यह महसूस करना कि, "ओह, नमक के बारे में मेरा पहला अनुमान 10% अधिक था, इसलिए मुझे अपने अंतिम निष्कर्ष को समायोजित करने की आवश्यकता है।"

3. यह क्यों मायने रखता है: "फिक्स्ड" बनाम "रैंडम" शहर

अधिकांश पिछले तरीकों ने यह माना कि शहर एक "रैंडम" प्रक्रिया द्वारा बनाया गया था जहाँ हर कोई विनिमेय (interchangeable) था (जैसे हर दोस्ती के लिए पासा फेंकना)।

शोध पत्र का दृष्टिकोण: यह शोध पत्र मानता है कि शहर में निश्चित (fixed) नियमों का एक सेट है। व्यक्ति ए स्वाभाविक रूप से लोकप्रिय है, और व्यक्ति बी स्वाभाविक रूप से शर्मीला है। ये गुण नहीं बदलते; केवल विशिष्ट दोस्ती (edges) रैंडम हैं।
लाभ: यह स्थानीय सांख्यिकी के लिए महत्वपूर्ण है। यदि आप जानना चाहते हैं कि एक विशिष्ट प्रसिद्ध व्यक्ति कितना "केंद्रीय" है, तो आप यह मानकर नहीं चलना चाहते कि वह एक रैंडम व्यक्ति है। आप उनकी विशिष्ट पहचान को स्थिर रखना चाहते हैं जबकि यह परीक्षण करना चाहते हैं कि उनके संबंध कैसे भिन्न हो सकते हैं। लेखकों की विधि इन निश्चित पहचानों का सम्मान करती है, जबकि पुराने तरीके अनजाने में व्यक्तित्वों को "शफल" (बदल) सकते हैं, जिससे गलत अनिश्चितता पैदा होती है।

4. परिणाम: सटीक और अधिक विश्वसनीय कॉन्फिडेंस इंटरवल

जब आप अनिश्चितता को मापते हैं, तो आप आमतौर पर एक "कॉन्फिडेंस इंटरवल" (मानों की एक सीमा जहाँ वास्तविक उत्तर होने की संभावना अधिक है) खींचते हैं।

सुधार के बिना: रेंज अक्सर गलत दिशा में झुकी हुई (biased) होती है और शायद बहुत विस्तृत या बहुत संकीकर होती है।
दो-स्तरीय बूटस्ट्रैप के साथ: लेखक दिखाते हैं कि यह तरीका "लक्ष्य को सही करता है" (corrects the aim)। यह रेंज को इस तरह से स्थानांतरित करता है कि यह वास्तव में वास्तविक मान को अधिक बार कवर करती है।
बोनस: वे यह भी सिद्ध करते हैं कि इस पद्धति का उपयोग करने से अक्सर आपको कच्चे डेटा को देखने की तुलना में एक संकीर्ण (narrower) रेंज मिलती है (अधिक सटीक), क्योंकि यह नेटवर्क के अनुमानित नियमों का उपयोग करके शोर (noise) को फ़िल्टर करता है।

सारांश उपमा

कल्पना कीजिए कि आप लोगों के एक विशिष्ट समूह की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आप एक समय में केवल एक ही व्यक्ति को माप सकते हैं, और आपका स्केल (रूलर) थोड़ा मुड़ा हुआ है।

पुराना तरीका: आप व्यक्ति को मापते हैं, महसूस करते हैं कि आपका स्केल मुड़ा हुआ है, अनुमान लगाते हैं कि यह कितना मुड़ा हुआ है, और इसे ठीक करने की कोशिश करते हैं। लेकिन आपके मुड़े हुए स्केल के बारे में आपका अनुमान भी गलत है, इसलिए आपका अंतिम नंबर अभी भी गलत है।
इस शोध पत्र का तरीका: आप व्यक्ति को मापते हैं। फिर, आप अपने "मुड़े हुए स्केल" का उपयोग करके एक दूसरे काल्पनिक व्यक्ति को मापते हैं। फिर आप उस परिणाम का उपयोग तीसरे को मापने के लिए करते हैं। मापन की श्रृंखला पर "मुड़ाव" (bend) के प्रभाव की तुलना करके, आप गणितीय रूप से पता लगा सकते हैं कि स्केल सच्चाई को कितना विकृत कर रहा था और उसे ठीक कर सकते हैं।

संक्षेप में: यह शोध पत्र नेटवर्क डेटा के लिए एक गणितीय "एरर-करेक्टिंग कोड" प्रदान करता है। यह स्वीकार करता है कि नेटवर्क कैसे काम करता है, इसके बारे में हमारा पहला अनुमान त्रुटिपूर्ण है, और यह दूसरे स्तर के सिमुलेशन का उपयोग करके उस त्रुटि को गणना करने और हटाने के लिए करता है, जिससे हमें नेटवर्क की वास्तविक संरचना के बारे में बहुत अधिक विश्वसनीय उत्तर मिलते हैं।

तकनीकी सारांश: फिक्स्ड एज-प्रोबेबिलिटी नेटवर्क मॉडल्स के लिए पैरामीट्रिक बूटस्ट्रैप

समस्या विवरण

यह शोध पत्र रैंडम नेटवर्क डेटा में नेटवर्क सांख्यिकी (जैसे सबग्राफ काउंट्स, क्लस्टरिंग कोएफिशिएंट्स, सेंट्रैलिटी मेजर्स) की अनिश्चितता को मापने की चुनौती का समाधान करता है। जबकि मौजूदा नेटवर्क रीसैंपलिंग विधियाँ, जैसे कि सबसैंपलिंग और जैकनीफ (jackknife) प्रक्रियाएँ, नोड-एक्सचेंजेबल ग्राफ़न मॉडल्स के तहत काउंट सांख्यिकी के लिए विकसित की गई हैं, वे अक्सर दो महत्वपूर्ण मुद्दों को संबोधित करने में विफल रहती हैं:

गैर-विनिमेयता (Non-exchangeability): कई व्यावहारिक अनुप्रयोगों में विषम नोड गुण (heterogeneous node properties) वाले नेटवर्क शामिल होते हैं जहाँ नोड-एक्सचेंजेबिलिटी (लेबल परम्यूटेशन के प्रति अपरिवर्तनीयता) का अनुमान गलत या अवांछनीय हो सकता है। ऐसे मामलों में, नोड-विशिष्ट जानकारी को संरक्षित करना महत्वपूर्ण है।
बूटस्ट्रैप बायस (Bootstrap Bias): मानक "नेचुरल" पैरामीट्रिक बूटस्ट्रैप, जो नेटवर्क-जनरेटिंग मॉडल मापदंडों का अनुमान लगाता है और फिर अनुमानित मॉडल से पुन: नमूना (resample) लेता है, गैर-नगण्य पूर्वाग्रह (bias) से ग्रस्त होता है। यह पूर्वाग्रह इसलिए उत्पन्न होता है क्योंकि प्लग-इन एस्टिमेटर $\hat{\mu} = \mu(\hat{P})$ , वास्तविक प्रत्याशा $\mu(P)$ का सटीक रूप से सन्निकटन नहीं कर पाता है जब मापदंडों की संख्या नेटवर्क के आकार $n$ के साथ बढ़ती है। विशेष रूप से, बायस-टू-स्टैंडर्ड-डेविएशन अनुपात $\Theta(p^{-1/2})$ या $\Theta((np)^{-1/2})$ के क्रम का हो सकता है, जिससे मानक कॉन्फिडेंस इंटरवल अमान्य हो जाते हैं, विशेष रूप से विरल (sparse) नेटवर्कों में।

लेखक चुंग-लू मॉडल (एक फिक्स्ड एज-प्रोबेबिलिटी मॉडल जहाँ $P_{ij} = p\theta_i\theta_j$ ) को एक वर्किंग फ्रेमवर्क के रूप में उपयोग करते हैं। ग्राफ़न मॉडल्स के विपरीत जहाँ लेटेंट पोजीशंस रैंडम होती हैं, यह सेटिंग फिक्स्ड लेटेंट पोजीशंस (या एक फिक्स्ड एज-प्रोबेबिलिटी मैट्रिक्स $P$ ) मानती है, जिसका अर्थ है कि एकमात्र रैंडमनेस किनारों के स्वतंत्र बर्नौली रियलाइजेशन (Bernoulli realization) से आती है।

कार्यप्रणाली (Methodology)

यह शोध पत्र मानक पैरामीट्रिक बूटस्ट्रैप में निहित पूर्वाग्रह को ठीक करने के लिए एक दो-स्तरीय (double) बूटस्ट्रैप प्रक्रिया प्रस्तावित करता है।

नेचुरल पैरामीट्रिक बूटस्ट्रैप (एक-स्तरीय):
- प्रेक्षित नेटवर्क $A$ से एज-प्रोबेबिलिटी मैट्रिक्स $\hat{P}$ का अनुमान लगाएं (जैसे, मैक्सिमम लाइकलीहुड एस्टिमेशन या SVD का उपयोग करके)।
- $\hat{P}$ से $B$ बूटस्ट्रैप नेटवर्क $\hat{A}^{(b)}$ उत्पन्न करें।
- प्रत्येक नमूने के लिए सांख्यिकी $T(\hat{A}^{(b)})$ की गणना करें।
- इन सांख्यिकीओं का वितरण $T(A)$ के वितरण का सन्निकटन करता है, लेकिन इस बूटस्ट्रैप वितरण का माध्य $\mu(\hat{P})$ , वास्तविक माध्य $\mu(P)$ के सापेक्ष बायस्ड (biased) होता है।
दो-स्तरीय बूटस्ट्रैप (बायस करेक्शन):
- स्तर 1: अनुमानित मॉडल $\hat{P}$ से $B_1$ बूटस्ट्रैप नेटवर्क $\hat{A}^{(b)}$ उत्पन्न करें।
- स्तर 2: प्रत्येक $\hat{A}^{(b)}$ के लिए, मॉडल मापदंडों का पुन: अनुमान लगाकर $\hat{\hat{P}}^{(b)}$ प्राप्त करें। फिर $\hat{\hat{P}}^{(b)}$ से $B_2$ द्वितीय-स्तरीय नेटवर्क $\hat{\hat{A}}^{(b,c)}$ उत्पन्न करें।
- बायस एस्टिमेशन: एक-स्तरीय एस्टिमेटर का बायस इस प्रकार अनुमानित किया जाता है:
  $\widehat{\text{Bias}}_{\hat{P}} = \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})] - \mu(\hat{P}) \approx \frac{1}{B_1} \sum_{b=1}^{B_1} \mu(\hat{\hat{P}}^{(b)}) - \mu(\hat{P})$
- करेक्शन: बायस-करेक्टेड पॉइंट एस्टिमेट $2\mu(\hat{P}) - \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})]$ के रूप में बनाया जाता है।

यह दृष्टिकोण शास्त्रीय इटरेटिव बूटस्ट्रैप सिद्धांत को नेटवर्क सेटिंग में विस्तारित करता है, जहाँ मापदंडों का आयाम $n$ के साथ स्केल करता है। यह विधि ग्लोबल स्टैटिस्टिक्स (जैसे कुल त्रिकोण गणना) और लोकल स्टैटिस्टिक्स (जैसे रूटेड सबग्राफ काउंट्स, लोकल क्लस्टरिंग कोएफिशिएंट्स) दोनों के लिए लागू है।

मुख्य योगदान और सैद्धांतिक परिणाम

1. बूटस्ट्रैप बायस का अभिलक्षण (Characterization)

लेखक चुंग-लू मॉडल के तहत सबग्राफ काउंट्स के लिए बूटस्ट्रैप बायस के एसिम्प्टोटिक ऑर्डर (asymptotic order) को व्युत्पन्न करते हैं।

$v$ वर्टिस और $e$ एडज के साथ एक ग्राफ $R$ के रूटेड सबग्राफ काउंट के लिए, बायस $\Theta(n^{v-2}p^{e-1})$ के क्रम का है।
एक ग्लोबल सबग्राफ काउंट के लिए, बायस $\Theta(n^{v-1}p^{e-1})$ के क्रम का है।
महत्वपूर्ण रूप से, बायस और स्टैंडर्ड डेविएशन का अनुपात गैर-नगण्य दिखाया गया है:
- ग्लोबल काउंट्स: $\Theta(p^{-1/2})$ ।
- रूटेड काउंट्स: $\Theta((np)^{-1/2})$ ।
  यह पुष्टि करता है कि सुसंगत मापदंड अनुमान (consistent parameter estimation) के बावजूद, प्लग-इन एस्टिमेटर $\mu(\hat{P})$ , सैंपलिंग वेरिएबिलिटी के सापेक्ष बायस्ड है, जो बिना सुधार के अमान्य निष्कर्ष (inference) की ओर ले जाता है।

2. दो-स्तरीय बूटस्ट्रैप के माध्यम से बायस रिडक्शन

शोध पत्र सिद्ध करता है कि दो-स्तरीय बूटस्ट्रैप शेष बायस के ऑर्डर को कम करता है:

रूटेड काउंट्स के लिए, मूल बायस के सापेक्ष शेष बायस $O_P((np)^{-1/2})$ है।
ग्लोबल काउंट्स के लिए, कमी $O_P((np)^{-1})$ है।
परिणामस्वरूप, शेष बायस स्टैंडर्ड डेविएशन के सापेक्ष नगण्य हो जाता है, जिससे वैध कॉन्फिडेंस इंटरवल बनाना संभव हो जाता है।

3. वेरिएंस एस्टिमेशन और कॉन्फिडेंस इंटरवल

लेखक स्थापित करते हैं कि द्वितीय-स्तरीय बूटस्ट्रैप प्लग-इन एस्टिमेटर $\mu(\hat{P})$ के वेरिएंस के लिए एक सुसंगत एस्टिमेटर प्रदान करता है।

वेरिएंस तुलना: कई सांख्यिकीओं के लिए, $\text{Var}_P(\mu(\hat{P})) \ll \text{Var}_P(T(A))$ । इसका तात्पर्य है कि प्लग-इन एस्टिमेटर $\mu(\hat{P})$ (जो पूर्ण नेटवर्क संरचना का उपयोग करता है) पर आधारित कॉन्फिडेंस इंटरवल, कच्चे सांख्यिकी $T(A)$ की तुलना में काफी संकीर्ण (narrower) होते हैं।
इंटरवल निर्माण: शोध पत्र बायस-करेक्टेड एस्टिमेटर पर केंद्रित दोनों नॉर्मल-एप्रोक्सिमेशन इंटरवल और नॉन-नॉर्मल (एम्पिरिकल बूटस्ट्रैप) इंटरवल प्रस्तावित करता है।

4. सेंट्रल लिमिट थ्योरम (CLT)

एक उप-उत्पाद के रूप में, शोध पत्र इनहोमोजिनियस अर्ड्स-रेनी मॉडल (एक चुंग-लू मॉडल का सामान्यीकरण) के तहत सबग्राफ काउंट्स के लिए एक CLT स्थापित करता है। यह परिणाम उन स्पर्सिटी कंडीशंस के तहत भी लागू होता है जो मौजूदा ग्राफ़न-आधारित साहित्य द्वारा आवश्यक शर्तों की तुलना में कमजोर हैं।

अनुभवजन्य परिणाम (Empirical Results)

संख्यात्मक प्रयोग निम्नलिखित का उपयोग करके किए गए थे:

सिंथेटिक डेटा: विभिन्न स्पर्सिटी स्तरों के साथ स्टोकेस्टिक ब्लॉक मॉडल्स (SBM) और डिग्री-करेक्टेड SBMs (DCSBM) से उत्पन्न नेटवर्क।
वास्तविक डेटा: ज़ाचरी का कराटे क्लब नेटवर्क और पॉलिटिकल ब्लॉग्स नेटवर्क।

निष्कर्ष:

बायस करेक्शन: बिना बायस करेक्शन के नैव बूटस्ट्रैप इंटरवल, विशेष रूप से विरल नेटवर्कों में, वास्तविक पैरामीटर को गंभीर रूप से अंडर-कवर (under-cover) करते हैं। बायस-करेक्टेड इंटरवल नामांकित स्तर (जैसे 95%) के करीब कवरेज प्राप्त करते हैं।
इंटरवल की चौड़ाई: $\mu(\hat{P})$ के वितरण पर आधारित इंटरवल, $T(A)$ की तुलना में लगातार संकीर्ण होते हैं, विशेष रूप से लोकल स्टैटिस्टिक्स और विरल रिजीम (sparse regimes) के लिए।
एस्टिमेटर की मजबूती: बायस करेक्शन तब भी प्रभावी ढंग से काम करता है जब $\hat{P}$ को SVD के माध्यम से अनुमानित किया जाता है या जब मॉडल थोड़ा मिसस्पेसिफाइड (जैसे गलत कम्युनिटी की संख्या) होता है, हालांकि DCSBM एस्टिमेटर आमतौर पर SVD की तुलना में बेहतर प्रदर्शन करता है।
कंप्यूटेशनल लागत: हालांकि दो-स्तरीय बूटस्ट्रैप कंप्यूटेशनल रूप से गहन ( $O(B_1 B_2 n^2)$ ) है, लेकिन यह पैरेललाइज़ेबल है। लेखक नोट करते हैं कि जिन सांख्यिकीओं के लिए नॉर्मल एप्रोक्सिमेशन लागू होता है, वहां वेरिएंस एस्टिमेशन के लिए केवल बूटस्ट्रैप का उपयोग करके कंप्यूटेशनल लागत को कम किया जा सकता है।

महत्व और दावे

शोध पत्र का दावा है कि यह फिक्स्ड एज-प्रोबेबिलिटी मॉडल्स के तहत नेटवर्क सांख्यिकी में बूटस्ट्रैप बायस समस्या के लिए एक सामान्य उपचार (general remedy) प्रदान करता है। इसका महत्व यहाँ है:

बूटस्ट्रैप थ्योरी का विस्तार: यह इटरेटिव बूटस्ट्रैप अवधारणा को उन सेटिंग्स में अनुकूलित करता है जहाँ मापदंडों की संख्या सैंपल साइज के साथ बढ़ती है, एक ऐसी स्थिति जहाँ मानक बूटस्ट्रैप कंसिस्टेंसी अक्सर विफल हो जाती है।
गैर-विनिमेयता को संभालना: फिक्स्ड लेटेंट पोजीशंस (या एक फिक्स्ड $P$ ) पर आधारित होकर, यह विधि नोड-विशिष्ट गुणों को संरक्षित करती है, जिससे यह लोकल स्टैटिस्टिक्स और विषम नेटवर्कों के विश्लेषण के लिए उपयुक्त हो जाती है जहाँ नोड एक्सचेंजबिलिटी की धारणाएं अनुपयुक्त हैं।
व्यावहारिक निष्कर्ष (Practical Inference): प्रस्तावित विधि एक विस्तृत श्रेणी के नेटवर्क सांख्यिकी के लिए सटीक और संकीर्ण कॉन्फिडेंस इंटरवल बनाने में सक्षम बनाती है, जिसमें वे भी शामिल हैं जो U-सांख्यिकी नहीं हैं, जिससे मौजूदा रीसैंपलिंग विधियों के बीच का अंतर भर जाता है जो मुख्य रूप से ग्राफ़न मॉडल्स के तहत काउंट सांख्यिकी पर ध्यान केंद्रित करती हैं।
सैद्धांतिक आधार: इनहोमोजिनियस अर्ड्स-रेनी मॉडल्स के तहत बायस ऑर्डर का व्युत्पन्न और सबग्राफ काउंट्स के लिए CLT का प्रमाण, विरल रिजीम्स में नेटवर्क इन्फरेंस के लिए एक कठोर सैद्धांतिक आधार प्रदान करता है।

लेखक इस बात पर जोर देते हैं कि हालांकि विश्लेषण चुंग-लू मॉडल के तहत किया गया है, लेकिन बायस घटना अधिक जटिल मॉडल्स (जैसे मल्टी-कम्युनिटी DCSBM) में भी होने की संभावना है, और दो-स्तरीय बूटस्ट्रैप इन सेटिंग्स में लागू होने वाला एक मजबूत, सिमुलेशन-आधारित करेक्शन मैकेनिज्म के रूप में कार्य करता है।