Riepilogo Tecnico: Bootstrap Parametrico per Modelli di Rete a Probabilità di Arco Fissa

Enunciato del Problema

Il documento affronta la sfida di quantificare l'incertezza delle statistiche di rete (ad esempio, conteggi di sottografi, coefficienti di clustering, misure di centralità) nei dati di rete casuali. Sebbene esistano metodi di ricampionamento per le reti, come il subsampling e le procedure jackknife, sviluppati principalmente per statistiche di conteggio sotto modelli di graphon a scambiabilità dei nodi, spesso non riescono a risolvere due questioni critiche:

1. Non scambiabilità: Molte applicazioni pratiche coinvolgono reti con proprietà dei nodi eterogenee, dove l'assunzione di scambiabilità dei nodi (invarianza rispetto alle permutazioni delle etichette) è indesiderabile o errata. In tali casi, preservare le informazioni specifiche dei nodi è cruciale.
2. Distorsione del Bootstrap: Il "naturale" bootstrap parametrico standard, che stima i parametri del modello generatore della rete e poi ricampiona dal modello stimato, soffre di una distorsione non trascurabile. Questa distorsione sorge perché lo stimatore di inserimento (plug-in) della statistica di rete, $\hat{\mu} = \mu(\hat{P})$, non approssima accuratamente la vera aspettativa $\mu(P)$ quando il numero di parametri cresce con la dimensione della rete $n$. Nello specifico, il rapporto tra distorsione e deviazione standard può essere dell'ordine $\Theta(p^{-1/2})$ o $\Theta((np)^{-1/2})$, rendendo invalidi gli intervalli di confidenza standard, in particolare nelle reti sparse.

Gli autori si concentrano sul modello di Chung–Lu (un modello a probabilità di arco fissa dove $P_{ij} = p\theta_i\theta_j$) come quadro di lavoro. A differenza dei modelli di graphon, dove le posizioni latenti sono casuali, questo scenario assume posizioni latenti fisse (o una matrice di probabilità di arco $P$ fissa), il che significa che l'unica casualità deriva dalla realizzazione indipendente di Bernoulli degli archi.

Metodologia

Il documento propone una procedura di bootstrap a due livelli (doppio) per correggere la distorsione intrinseca nel bootstrap parametrico standard.

1. Bootstrap Parametrico Naturale (Un Livello):

   • Stimare la matrice di probabilità di arco $\hat{P}$ dalla rete osservata $A$ (ad esempio, utilizzando la Massima Verosimiglianza o SVD).
   • Generare $B$ reti bootstrap $\hat{A}^{(b)}$ da $\hat{P}$.
   • Calcolare la statistica $T(\hat{A}^{(b)})$ per ciascun campione.
   • La distribuzione di queste statistiche approssima la distribuzione di $T(A)$, ma la media di questa distribuzione bootstrap, $\mu(\hat{P})$, è distorta rispetto alla vera media $\mu(P)$.

2. Bootstrap a Due Livelli (Correzione della Distorsione):

   • Livello 1: Generare $B_1$ reti bootstrap $\hat{A}^{(b)}$ dal modello stimato $\hat{P}$.
   • Livello 2: Per ogni $\hat{A}^{(b)}$, riesimare i parametri del modello per ottenere $\hat{\hat{P}}^{(b)}$. Quindi, generare $B_2$ reti di secondo livello $\hat{\hat{A}}^{(b,c)}$ da $\hat{\hat{P}}^{(b)}$.
   • Stima della Distorsione: La distorsione dello stimatore a un livello è stimata come:
     $$\widehat{\text{Bias}}_{\hat{P}} = \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})] - \mu(\hat{P}) \approx \frac{1}{B_1} \sum_{b=1}^{B_1} \mu(\hat{\hat{P}}^{(b)}) - \mu(\hat{P})$$
   • Correzione: La stima puntuale corretta per la distorsione è costruita come $2\mu(\hat{P}) - \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})]$.

Questo approccio estende il principio classico del bootstrap iterativo al contesto delle reti, dove la dimensione del parametro scala con $n$. Il metodo è applicabile sia a statistiche globali (ad esempio, conteggio totale dei triangoli) che a statistiche locali (ad esempio, conteggi di sottografi radicati, coefficienti di clustering locali).

Contributi Chiave e Risultati Teorici

1. Caratterizzazione della Distorsione del Bootstrap

Gli autori derivano l'ordine asintotico della distorsione del bootstrap per i conteggi di sottografi sotto il modello di Chung–Lu.

• Per un conteggio di sottografo radicato di un grafo $R$ con $v$ vertici ed $e$ archi, la distorsione è dell'ordine $\Theta(n^{v-2}p^{e-1})$.
• Per un conteggio globale di sottografi, la distorsione è dell'ordine $\Theta(n^{v-1}p^{e-1})$.
• Crucialmente, si dimostra che il rapporto tra distorsione e deviazione standard è non trascurabile:
  • Conteggi globali: $\Theta(p^{-1/2})$.
  • Conteggi radicati: $\Theta((np)^{-1/2})$.
    Ciò conferma che, anche con una stima coerente dei parametri, lo stimatore di inserimento $\mu(\hat{P})$ è distorto rispetto alla variabilità di campionamento, portando a inferenze invalide se non corretto.

2. Riduzione della Distorsione tramite Bootstrap a Due Livelli

Il documento dimostra che il bootstrap a due livelli riduce l'ordine della distorsione residua:

• Per i conteggi radicati, la distorsione residua rispetto alla distorsione originale è $O_P((np)^{-1/2})$.
• Per i conteggi globali, la riduzione è $O_P((np)^{-1})$.
  Di conseguenza, la distorsione residua diventa trascurabile rispetto alla deviazione standard, consentendo la costruzione di intervalli di confidenza validi.

3. Stima della Varianza e Intervalli di Confidenza

Gli autori stabiliscono che il bootstrap di secondo livello fornisce uno stimatore coerente per la varianza dello stimatore di inserimento $\mu(\hat{P})$.

• Confronto delle Varianze: Per molte statistiche, $\text{Var}_P(\mu(\hat{P})) \ll \text{Var}_P(T(A))$. Ciò implica che gli intervalli di confidenza basati sulla distribuzione dello stimatore di inserimento $\mu(\hat{P})$ (che utilizza la struttura completa della rete) sono significativamente più stretti di quelli basati sulla statistica grezza $T(A)$ da sola.
• Costruzione dell'Intervallo: Il documento propone sia intervalli basati sull'approssimazione normale che intervalli non normali (bootstrap empirico), entrambi centrati sullo stimatore corretto per la distorsione.

4. Teorema del Limite Centrale (CLT)

Come sottoprodotto, il documento stabilisce un CLT per i conteggi di sottografi sotto il modello di Erdős–Rényi inomogeneo (una generalizzazione del modello di Chung–Lu). Questo risultato si applica sia ai conteggi globali che a quelli radicati di sottografi, sotto condizioni di sparsità più deboli rispetto a quelle richieste dalla letteratura esistente basata su graphon.

Risultati Empirici

Sono stati condotti esperimenti numerici utilizzando:

• Dati Sintetici: Reti generate da Modelli a Blocchi Stocastici (SBM) e SBM Corretti per il Grado (DCSBM) con diversi livelli di sparsità.
• Dati Reali: La rete del Club di Karate di Zachary e la rete dei Blog Politici.

Risultati:

• Correzione della Distorsione: Gli intervalli bootstrap ingenui (senza correzione della distorsione) coprono fortemente in modo insufficiente il vero parametro, specialmente nelle reti sparse. Gli intervalli corretti per la distorsione raggiungono una copertura vicina al livello nominale (ad esempio, 95%).
• Larghezza dell'Intervallo: Gli intervalli basati sulla distribuzione di $\mu(\hat{P})$ sono costantemente più stretti di quelli basati su $T(A)$, in particolare per le statistiche locali e nei regimi sparsi.
• Robustezza dello Stimatore: La correzione della distorsione funziona efficacemente anche quando $\hat{P}$ è stimato tramite SVD o quando il modello è leggermente specificato in modo errato (ad esempio, numero sbagliato di comunità), sebbene lo stimatore DCSBM generalmente produca prestazioni migliori rispetto all'SVD.
• Costo Computazionale: Sebbene il bootstrap a due livelli sia computazionalmente intensivo ($O(B_1 B_2 n^2)$), è parallelizzabile. Gli autori notano che per le statistiche in cui vale l'approssimazione normale, il costo computazionale può essere ridotto utilizzando il bootstrap solo per la stima della varianza.

Significato e Affermazioni

Il documento afferma di fornire un rimedio generale per il problema della distorsione del bootstrap nelle statistiche di rete sotto modelli a probabilità di arco fissa. Il suo significato risiede in:

1. Estensione della Teoria del Bootstrap: Adatta il concetto di bootstrap iterativo a scenari in cui il numero di parametri cresce con la dimensione del campione, uno scenario in cui la consistenza standard del bootstrap spesso fallisce.
2. Gestione della Non Scambiabilità: Condizionando su posizioni latenti fisse (o su una $P$ fissa), il metodo preserva le proprietà specifiche dei nodi, rendendolo adatto all'analisi di statistiche locali e reti eterogenee dove le ipotesi di scambiabilità dei nodi sono inappropriate.
3. Inferenza Pratica: Il metodo proposto consente la costruzione di intervalli di confidenza accurati e stretti per una vasta classe di statistiche di rete, inclusi quelli che non sono U-statistiche, colmando un vuoto lasciato dai metodi di ricampionamento esistenti che si concentrano principalmente sulle statistiche di conteggio sotto modelli di graphon.
4. Fondamento Teorico: La derivazione dell'ordine della distorsione e la dimostrazione del CLT per i conteggi di sottografi sotto modelli di Erdős–Rényi inomogenei forniscono una base teorica rigorosa per l'inferenza di rete in regimi sparsi.

Gli autori sottolineano che, sebbene l'analisi sia condotta sotto il modello di Chung–Lu, il fenomeno della distorsione è previsto sorgere in modelli più complessi (come DCSBM a più comunità), e il bootstrap a due livelli funge da meccanismo di correzione robusto e basato sulla simulazione applicabile in questi contesti.