Estimation and Statistical Inference for Generalized Multilayer Latent Space Model

Sintesi Tecnica: Stima e Inferenza Statistica per un Modello di Spazio Latente Multistrato Generalizzato

Definizione del Problema
Le reti multistrato, che catturano molteplici tipi di relazioni tra entità attraverso diversi strati, sono onnipresenti in campi che spaziano dalle scienze sociali alla biologia. Sebbene siano stati fatti progressi significativi nella rilevazione delle comunità e nella stima per le reti multistrato (ad esempio, tramite modelli a blocchi stocastici multistrato e modelli a spazio latente), il quadro teorico per l'inferenza statistica rimane sottosviluppato. Nello specifico, la teoria inferenziale esistente si basa ampiamente su modelli lineari (ad esempio, il modello COSIE) o si concentra su reti non dirette. Esiste una mancanza di metodi rigorosi per:

1. Stimare le posizioni latenti e le matrici di connessione in reti multistrato dirette con funzioni di legame non lineari (gestendo tipi di archi binari, di conteggio e continui).
2. Stabilire le distribuzioni asintotiche di questi stimatori per consentire la quantificazione dell'incertezza (ad esempio, regioni di confidenza) e il test di ipotesi (ad esempio, testare se due strati condividono la stessa struttura).

La sfida principale risiede nel fatto che la struttura della rete è modellata come un tensore che ammette una decomposizione low-rank di tipo Tucker coinvolgente funzioni di legame non lineari. Questa formulazione rende inapplicabili le tecniche esistenti per i modelli tensoriali lineari e introduce significative difficoltà tecniche nella derivazione della normalità asintotica, in particolare a causa dei problemi di identificabilità e della non convessità dell'ottimizzazione tensoriale su larga scala.

Metodologia
Gli autori propongono un Modello di Spazio Latente Multistrato Generalizzato e una nuova procedura di stima denominata Unfolding and Fusion (Srotolamento e Fusione).

1. Formulazione del Modello:

   • Il modello rappresenta una rete diretta multistrato con $n$ nodi e $T$ strati.
   • A ogni nodo $i$ viene assegnata una doppia posizione latente: $\theta_i$ (comportamento di invio) e $\phi_i$ (comportamento di ricezione).
   • Ogni strato $t$ ha una specifica matrice di connessione $\Lambda_t$ che governa le interazioni.
   • L'interazione attesa $x_{ijt}$ è modellata come $x_{ijt} = \theta_i^\top \Lambda_t \phi_j + \beta_{it} + \alpha_{jt}$, dove $\beta_{it}$ e $\alpha_{jt}$ tengono conto dell'eterogeneità del grado in uscita e in entrata.
   • L'arco osservato $y_{ijt}$ segue una distribuzione $g_{ijt}(\cdot | x_{ijt})$ appartenente alla famiglia esponenziale, permettendo archi binari, di Poisson o gaussiani tramite funzioni di legame non lineari.
   • Il modello è espresso come un tensore $X$ che ammette una decomposizione Tucker: $X = [S; \Theta, \Phi, I_T] + \text{termini di grado}$, dove $S$ è il tensore core contenente le matrici di connessione specifiche per ogni strato.

2. Stima (Unfolding and Fusion):

   • Per evitare l'ottimizzazione tensoriale su larga scala, computazionalmente intensiva e non convessa, gli autori propongono di srotolare il tensore di adiacenza lungo il primo e il secondo modo per formare le matrici $Z_1$ e $Z_2$.
   • Passaggio 1: Stimare i fattori a basso rango $(U_m, V_m)$ per $m=1, 2$ risolvendo problemi di massima verosimiglianza vincolati sulle matrici srotolate. I vincoli includono l'ortogonalità e la limitatezza per garantire l'identificabilità.
   • Passaggio 2: Applicare un operatore di centratura a due lati per rimuovere gli effetti dei parametri di eterogeneità del grado.
   • Passaggio 3: Estrarre gli stimatori delle posizioni latenti ($\hat{\Theta}, \hat{\Phi}$) dai vettori singolari delle matrici srotolate centrate.
   • Passaggio 4: Stimare le matrici di connessione specifiche per lo strato ($\hat{\Lambda}_t$) tramite una strategia di fusione. Questa prevede la combinazione dei vettori singolari destri del primo srotolamento e dei vettori singolari sinistri del secondo srotolamento attraverso la moltiplicazione di matrici, ricostruendo efficacemente il tensore core senza un'ottimizzazione tensoriale diretta.

3. Identificabilità:

   • Il documento stabilisce le condizioni (Assunzione 1) sotto le quali i parametri sono identificabili a meno di un cambio di segno. Ciò comporta vincoli di ortogonalità sulle posizioni latenti e proprietà spettrali specifiche del tensore core e dei fattori di etogeneità del grado.

Risultati Teorici Chiave
Il documento stabilisce le proprietà asintotiche rigorose per i proponenti stimatori:

1. Consistenza: Gli stimatori per le posizioni latenti ($\hat{\Theta}, \hat{\Phi}$) e le matrici di connessione raggiungono tassi di convergenza uniforme. Nello specifico, l'errore della norma di Frobenius converge a un tasso di $O_p(1/T + T^{2\delta}/n^{1-4\delta})$, e il tasso di errore uniforme è $O_p(\log n \cdot (1/\sqrt{nT} + T^\delta/n^{1-2\delta}))$.
2. Normalità Asintotica delle Posizioni Latenti: Gli autori derivano la normalità asintotica per le singole righe delle posizioni latenti stimate ($\hat{\Theta}_i, \hat{\Phi}_i$). Ciò viene ottenuto analizzando la matrice Hessiana della log-verosimiglianza regolarizzata con Lagrangiana per gestire i vincoli di identificabilità. Gli stimatori risultano essere stimatori "oracle", raggiungendo il limite inferiore di Cramér-Rao.
3. Normalità Asintotica delle Matrici di Connessione: Un nuovo framework di inferenza de-biased (de-distorta) è sviluppato per le matrici di connessione. Gli autori dimostrano che lo stimatore $\hat{\Lambda}_t$ presenta un bias derivante da termini di errore del secondo ordine nelle espansioni dei vettori singolari. Essi derivano forme esplicite per questi termini di bias e costruiscono uno stimatore de-biased che soddisfa un teorema del limite centrale.
4. Applicazioni dell'Inferenza: Questi risultati consentono:
   • La costruzione di regioni di confidenza per le posizioni latenti.
   • Il test di ipotesi per le differenze strutturali tra gli strati della rete (ad esempio, testare se $\Lambda_t = \Lambda_{t'}$).

Significatività e Rivendicazioni
L'articolo rivendica di essere uno dei primi a sviluppare una teoria inferenziale per i modelli di rete multistrato non lineari. I suoi contributi primari sono:

• Flessibilità: Il modello accoglie vari tipi di archi (binari, di conteggio, continui) e interazioni dirette, generalizzando i modelli esistenti come il modello a spazio latente multistrato e il COSIE.
• Efficienza Computazionale: Il metodo Unfolding and Fusion evita la necessità di un'ottimizzazione tensoriale diretta su larga scala, sfruttando i risultati consolidati della stima di matrici a basso rango e dell'analisi fattoriale.
• Inferenza Statistica: Stabilendo la normalità asintotica sia per le posizioni latenti che per le matrici di connessione, il lavoro fornisce la base teorica per la quantificazione dell'incertezza e il test di ipotesi nelle reti multistrato, un vuoto che precedentemente esisteva per i contesti non lineari.
• Validazione: I metodi proposti sono validati attraverso estesi studi di simulazione e applicati a dati reali, dimostrando l'utilità pratica.

Gli autori mantengono un tono modesto riguardo all'ambito, osservando che, sebbene affrontino le sfide principali della stima e dell'inferenza per questa specifica classe di modelli, i risultati sono specifici per il framework proposto e le sue assunzioni (ad esempio, la struttura fattoriale per l'eterogeneità del grado).