The co-varying ties between networks and item responses via latent variables

1. Il Problema di Ricerca

La ricerca si concentra sulla relazione tra le reti sociali (in particolare, le reti di consulenza tra insegnanti) e le loro percezioni soggettive (rappresentate come risposte a questionari su clima scolastico, soddisfazione, influenza sulle politiche e percezione degli studenti).

Il problema centrale affrontato dagli autori è l'insufficienza dei metodi statistici esistenti per analizzare simultaneamente questi due tipi di dati:

• Limiti degli approcci attuali: La maggior parte degli studi utilizza statistiche riassuntive (es. grado dei nodi) come covariate nei modelli di rete o viceversa (modelli di influenza sociale). Questi approcci sono unidirezionali (trattano una variabile come fissa e l'altra come dipendente) e perdono informazioni strutturali complesse della rete.
• Mancanza di modelli congiunti: Esistono pochi modelli statistici completamente specificati che permettano di inferire la dipendenza reciproca a livello latente tra la struttura della rete e le risposte agli item, senza assumere una direzione causale predefinita.
• Semplificazione eccessiva: I metodi esistenti spesso ignorano il processo di misurazione delle risposte ai questionari (che dovrebbero essere visti come indicatori di costrutti psicologici latenti) o trattano le risposte come dati semplici senza teoria latente.

2. Metodologia: Il Modello Congiunto Rete e Risposta agli Item (JNIRM)

Gli autori propongono un nuovo modello statistico chiamato JNIRM (Joint Network and Item Response Model). Questo è un modello congiunto basato su variabili latenti correlate che integra tre componenti principali:

A. Componente di Rete (Network Component)

• Utilizza un modello a spazio latente vettoriale (Vector Latent Space Model).
• Ogni nodo (insegnante) è rappresentato da due vettori latenti: $u_a$ (posizione come mittente/consulente) e $v_b$ (posizione come ricevente/consulato).
• La probabilità di un legame (consulenza) è modellata tramite un effetto moltiplicativo UV ($u_a^T v_b$), adatto per reti dirette con bassa reciprocità.
• Il modello include un intercept fisso per la densità della rete e termini di errore con una struttura di correlazione intra-dioica (per gestire la reciprocità).

B. Componente di Risposta agli Item (Item Response Component)

• Utilizza un modello a variabili latenti con prodotti vettoriali per le risposte continue (o trattate come tali).
• Le risposte $Y_{p,i}$ dell'insegnante $p$ all'item $i$ sono modellate come: $Y_{p,i} = \beta_i + \alpha_i^T \theta_p + \epsilon_{p,i}$, dove $\theta_p$ è il vettore latente dell'insegnante e $\alpha_i$ è il vettore dei carichi (slope) dell'item.
• Questo approccio tratta le risposte come indicatori di costrutti psicologici latenti (soddisfazione, influenza, percezione studenti).

C. Componente Congiunta (Joint Component)

• Il cuore dell'innovazione è l'assunzione che i vettori latenti della rete ($u_p, v_p$) e le variabili latenti delle risposte agli item ($\theta_p$) seguano una distribuzione normale multivariata congiunta.
• La matrice di covarianza congiunta ($\Sigma_{u\theta}$) collega i due spazi latenti.
• La dipendenza tra rete e risposte è quantificata dalla sottomatrice di covarianza incrociata ($\Lambda_{u\theta}$). Se $\Lambda_{u\theta} = 0$, le due componenti sono indipendenti.
• Questo framework permette di stimare i parametri di una componente informando l'altra, migliorando la precisione stimativa.

Inferenza Bayesiana

• Il modello è stimato utilizzando un algoritmo Gibbs Sampler (MCMC).
• Vengono definiti prior per tutti i parametri (intercette, varianze, matrici di covarianza).
• Per risolvere l'indeterminazione rotazionale degli assi nello spazio latente, gli autori utilizzano i primi vettori singolari delle medie posteriori dei prodotti vettoriali ($UV^T$ e $\Theta A^T$) come stime, garantendo la convergenza dei prodotti piuttosto che delle coordinate singole.

3. Contributi Chiave

1. Nuovo Framework Statistico: Introduzione del JNIRM, un modello di covarianza congiunta che supera i limiti dei modelli unidirezionali (ERGM con covariate o modelli di influenza sociale).
2. Gestione dell'Incertezza: A differenza degli approcci a due step (estrazione dei fattori seguita da regressione), il JNIRM non ignora l'incertezza associata alla stima delle variabili latenti nella prima fase.
3. Inferenza Bidirezionale: Permette di inferire la dipendenza sia dalla rete verso le risposte, sia dalle risposte verso la rete, e di fare previsioni quando i dati sono parzialmente mancanti in entrambe le componenti.
4. Validazione Empirica e Simulazione: Dimostrazione dell'efficacia del modello su dati reali e simulati, mostrando una migliore capacità di recupero dei parametri e un migliore adattamento ai dati rispetto ai modelli separati.

4. Risultati Principali

Applicazione ai Dati Reali (14 Scuole in Nebraska)

• Dati: Rete di consulenza tra 378+ insegnanti e risposte a 16 item su clima scolastico.
• Dimensionalità: È stato determinato che 4 dimensioni latenti sono ottimali per la rete e 3 per le risposte agli item (corrispondenti a Soddisfazione, Influenza sulle politiche, Percezione studenti).
• Test di Indipendenza: In 3 delle 14 scuole (tra cui la scuola 56), è stata rifiutata l'ipotesi nulla di indipendenza tra rete e risposte (p < 0.05).
• Analisi delle Correlazioni Canoniche (CCA):
  • Nella scuola 56, la dimensione "Soddisfazione" è fortemente correlata con le dimensioni della rete.
  • È stata osservata una relazione positiva tra la soddisfazione e sia la ricerca di consigli (essere mittenti) sia l'essere consultati (essere riceventi).
  • Principio di Complementarietà: In alcune scuole, gli insegnanti tendono a cercare consigli da persone con profili di soddisfazione opposti (es. chi è molto soddisfatto cerca consigli da chi lo è meno, e viceversa).
• Confronto con Modelli Separati: Il JNIRM ha mostrato un AUC (Area Under the Curve) fuori campione superiore (0.800 vs 0.727) rispetto al modello AME (Additive and Multiplicative Effects) separato, indicando un migliore adattamento e capacità predittiva. Inoltre, il JNIRM ha recuperato meglio le statistiche di rete (gradi dei nodi) e le covarianze degli item.

Simulazioni

• Le simulazioni confermano che il modello recupera accuratamente i parametri (bias basso, MSE ridotto) quando la dimensione del campione è adeguata (N=100).
• In campioni piccoli e reti molto sparse, si osserva un bias positivo nella stima dell'intercetta e un sottostima delle varianze latenti, ma questo non compromette l'inferenza sulla densità della rete o sulla relazione congiunta.

5. Significato e Implicazioni

Il paper rappresenta un avanzamento significativo nella metodologia di analisi delle reti sociali e della psicometria:

• Teorico: Offre un quadro concettuale per comprendere come le strutture relazionali e le percezioni individuali co-evolvano e si influenzino reciprocamente a livello latente, senza forzare una direzione causale artificiale.
• Pratico: Fornisce agli educatori e ai ricercatori strumenti per identificare come le dinamiche di consulenza influenzino il clima scolastico e la soddisfazione degli insegnanti, suggerendo che le reti di supporto sono cruciali per il benessere professionale.
• Metodologico: Dimostra che l'integrazione di dati di rete e dati di sondaggio in un unico modello latente congiunto porta a stime più robuste e informative rispetto all'analisi separata, aprendo la strada a nuove applicazioni in neuroscienze, economia e scienze sociali per l'analisi di dati relazionali e attributivi complessi.