📊 statistics

Introduction to Relational Event Modelling

Questo articolo colma una lacuna nella letteratura fornendo una guida pratica e aggiornata sui modelli di eventi relazionali, illustrandone la teoria, la simulazione di dati sintetici e l'applicazione empirica attraverso un approccio basato sui modelli additivi generalizzati.

Autori originali: Martina Boschi, Ernst C. Wit

Pubblicato 2026-04-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Martina Boschi, Ernst C. Wit

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🌊 Il Mare delle Interazioni: Un'Introduzione alla Modellazione degli Eventi Relazionali

Immagina la vita quotidiana non come una serie di foto statiche, ma come un film ininterrotto. Ogni volta che invii un'email, fai una telefonata, trasferisci denaro o un animale si sposta in una nuova zona, stai creando un "evento relazionale". È un'azione specifica: chi ha fatto cosa, a chi, e quando.

Questo documento è una guida pratica (un tutorial) per un nuovo modo di guardare il mondo: invece di chiederci "chi è amico di chi oggi?", ci chiediamo "perché questa persona ha mandato quel messaggio proprio in quel preciso secondo?".

Ecco i concetti chiave, spiegati con metafore semplici:

1. La Grande Differenza: Lo Stato vs. L'Evento

Pensa alla differenza tra una fotografia e un video.

Le reti statiche (la fotografia): Ci dicono che due persone sono amiche. È uno stato che dura nel tempo.
Gli eventi relazionali (il video): Ci dicono che Marco ha mandato un messaggio a Giulia alle 14:03. È un'istantanea precisa.
Il paper ci insegna che per capire davvero come funzionano le relazioni (dalle chat aziendali alle invasioni di specie aliene), dobbiamo guardare il "video", non la foto. Dobbiamo analizzare il flusso continuo delle azioni.

2. Il Motore della Probabilità: Il "Rischio" di un Evento

Immagina di essere in una stanza piena di persone. In ogni istante, c'è una certa probabilità (o "rischio") che tu parli con qualcuno.
Il modello RELazionale (REM) è come un meteo delle relazioni. Cerca di prevedere:

Perché hai scelto di parlare con Luca e non con Anna in quel momento?
È perché Luca ti ha scritto prima? (Questo si chiama Reciprocità: se mi dai un'arancia, è probabile che io te ne dia una in cambio).
È perché Luca è vicino a te? (La Distanza conta: è più facile parlare con il vicino di banco che con quello dall'altra parte del mondo).

Il modello usa la matematica per dire: "Se X è successo prima, la probabilità che Y accada ora aumenta o diminuisce".

3. La Magia della Flessibilità: Non tutto è una linea retta

In passato, i modelli erano rigidi: pensavano che raddoppiando la distanza, la probabilità di parlare si dimezzasse sempre allo stesso modo (una linea retta).
Ma la vita reale è più complessa!

Effetti Non Lineari: Immagina di lanciare un sasso in uno stagno. Le onde non si muovono in modo lineare. Allo stesso modo, la distanza potrebbe non avere un effetto costante: forse è facilissimo parlare con chi è molto vicino, ma una volta superata una certa soglia, la probabilità crolla drasticamente.
Effetti che Cambiano nel Tempo: Il commercio internazionale oggi influenza le invasioni di specie aliene in modo diverso rispetto a 100 anni fa. Il modello moderno può "piegarsi" per vedere come questi effetti cambiano mentre il tempo scorre.

4. Come si fa? (Senza impazzire con i numeri)

Il paper spiega che non serve essere genii della matematica per usare questi strumenti. Ecco il processo semplificato:

Raccogli i dati: Prendi la lista di tutte le interazioni (es. "Email 1: Mario -> Anna, ore 9:00").
Crea il "Set di Rischio": Per ogni email inviata, chiediti: "Chi avrebbe potuto ricevere quell'email ma non l'ha ricevuta?". Questi sono i "non-eventi".
Fai un confronto (Caso-Controllo): È come un'indagine poliziesca. Confronti il "colpevole" (l'email inviata) con i "sospettati innocenti" (le email non inviate). Cosa avevano in comune i colpevoli? Erano reciprocità? Erano vicini?
Usa il computer: Il paper mostra come usare programmi gratuiti (in R) per fare questi calcoli complessi, trasformando milioni di interazioni in grafici chiari che mostrano le tendenze.

5. Esempi Reali: Dalla Sala Operatoria alle Specie Aliene

Per dimostrare che funziona, gli autori usano tre esempi divertenti:

Le chiamate radio di emergenza (WTC): Analizzano come i soccorritori si sono coordinati durante la tragedia dell'11 settembre. Hanno scoperto che i coordinatori parlavano molto di più e che le persone tendevano a rispondere a chi le aveva chiamate prima (reciprocità), ma evitavano di chiamare ripetutamente la stessa persona (nessuno vuole essere disturbato due volte di fila!).
Le invasioni di specie aliene: Immagina un'azienda di importazione di animali. Il modello ha previsto dove e quando una specie invasiva (come un ratto o una pianta) sarebbe apparsa per prima, basandosi su quanto era lontana da altre zone già infestate e sul volume di commercio.
Le email aziendali: Hanno analizzato le email di un'azienda polacca. Hanno scoperto che la reciprocità funziona meglio se la risposta arriva entro poche ore, e che l'orario del giorno (lunedì mattina vs venerdì pomeriggio) cambia tutto il modo in cui le persone interagiscono.

Perché è importante?

Questo paper è come un manuale di istruzioni per un nuovo tipo di lente.
Prima, guardavamo le reti sociali come mappe statiche. Ora, con questi modelli, possiamo vedere il flusso vitale che le anima. Ci aiuta a capire non solo chi è connesso, ma perché e quando le connessioni si formano.

Che si tratti di prevenire la diffusione di virus, ottimizzare le comunicazioni in azienda o capire come si muovono gli animali, la modellazione degli eventi relazionali ci dà gli strumenti per leggere il futuro delle interazioni, un secondo alla volta.

Titolo: Introduzione alla Modellazione degli Eventi Relazionali (REMs)

Autori: Martina Boschi ed Ernst-Jan Camiel Wit (Università della Svizzera italiana)

1. Il Problema e il Contesto

I dati relazionali temporali sono sempre più disponibili grazie alla registrazione in tempo reale di interazioni umane e naturali (es. email, citazioni, trasferimenti finanziari, interazioni sociali). Tradizionalmente, l'analisi di rete si è concentrata su stati relazionali (connessioni che persistono nel tempo) o su aggregazioni temporali che perdono la granularità degli eventi istantanei.

Il problema centrale affrontato dal paper è la necessità di modellare eventi relazionali: interazioni istantanee e dirette tra un mittente ( $s$ ) e un destinatario ( $r$ ) in un tempo specifico ( $t$ ). Sebbene esistano revisioni teoriche e saggi sugli Relational Event Models (REMs), manca una guida pratica che integri i recenti sviluppi metodologici (effetti non lineari, variabili globali, effetti casuali) con l'implementazione pratica. L'obiettivo è colmare questo divario, fornendo un tutorial che renda i REM accessibili e applicabili a dataset complessi.

2. Metodologia

Il paper presenta un quadro completo per la modellazione degli eventi relazionali, strutturato in sei fasi chiave e basato su una formalizzazione statistica avanzata.

A. Formalizzazione Matematica

Il cuore del modello è l'intensità istantanea (o hazard) $\lambda_{sr}(t)$ di un evento $s \to r$ al tempo $t$ , condizionata alla storia passata $H_{t-}$ :
$\lambda_{sr}(t) = I_{sr}(t) \times \lambda_0(t) \times \exp\{f[x_{sr}(t)]\}$
Dove:

$I_{sr}(t)$ è l'indicatore di rischio (1 se l'evento è possibile, 0 altrimenti).
$\lambda_0(t)$ è l'hazard di base (che può variare nel tempo e includere covariate globali).
$f[x_{sr}(t)]$ cattura gli effetti delle covariate (endogene ed esogene), permettendo relazioni non lineari e temporalmente variabili.

B. Covariate

Il modello distingue tra:

Covariate Endogene: Derivano dalla storia degli eventi stessi (es. reciprocità, volume di interazioni, chiusura transitiva).
Covariate Esogene: Derivano da informazioni esterne (es. distanza geografica, giorno della settimana, tipo di attore).
Effetti Casuali (Random Effects): Per catturare eterogeneità non osservata tra attori o dyad (es. "invasività" latente di una specie).
Modelli Iper-Eventi (RHEM): Estensione per eventi che coinvolgono insiemi di mittenti e destinatari (es. citazioni multiple).

C. Inferenza e Stima

Il paper descrive diverse tecniche di stima basate sulla verosimiglianza (Maximum Likelihood Estimation - MLE):

Verosimiglianza Parziale (Cox): Elimina l'hazard di base, utile quando non ci sono covariate globali.
Verosimiglianza Parziale Campionata (Nested Case-Control - NCC): Riduce il costo computazionale campionando un sottoinsieme di "non-eventi" (controlli) per ogni evento osservato.
Verosimiglianza Parziale Caso-Controllo (GAM): Quando si campiona un solo non-evento ( $m=1$ ), il problema si riduce a una regressione logistica (o GAM) sui dati differenziali tra evento e non-evento. Questo permette di utilizzare pacchetti R come mgcv per modellare effetti non lineari e casuali in modo efficiente.
Processo Spostato (Shifted Counting Process): Una tecnica innovativa per stimare l'effetto di covariate globali (che hanno lo stesso valore per tutte le coppie) all'interno di un framework di verosimiglianza parziale, evitando che si cancellino nel rapporto.
Ottimizzazione: Vengono discussi metodi come l'ascesa stocastica del gradiente (Adam) e le reti neurali additive per gestire dataset su larga scala.

D. Validazione e Selezione del Modello

Criteri di Informazione: Uso dell'AIC corretto condizionale per la selezione del modello.
Goodness-of-Fit (GOF): Proposta di un test basato sulla somma cumulata dei residui di martingala (approccio di Boschi e Wit, 2026) per verificare l'adeguatezza del modello senza costose simulazioni.

3. Contributi Chiave

Tutorial Pratico: È il primo documento che combina teoria, simulazione e applicazione pratica in un unico flusso di lavoro, includendo codice R replicabile.
Integrazione di GAM: Dimostra come esprimere i REM come Modelli Additivi Generalizzati (GAM), permettendo di catturare pattern complessi, non lineari e variabili nel tempo senza assumere linearità.
Gestione delle Covariate Globali: Introduce e spiega in dettaglio la tecnica del "processo spostato" per stimare correttamente effetti globali (es. politiche, giorni festivi) che altrimenti sarebbero non identificabili nei modelli a verosimiglianza parziale standard.
Generazione di Dati Sintetici: Fornisce un algoritmo per simulare dati relazionali con caratteristiche specifiche (inclusi effetti globali e spostamenti temporali) per validare le procedure di inferenza.
Estensioni Moderne: Copre modelli misti (effetti casuali), modelli iper-eventi e l'uso di tecniche di machine learning (SGD) per la scalabilità.

4. Risultati e Applicazioni Empiriche

Il paper valida il framework attraverso tre casi studio distinti:

Dati Sintetici: Dimostrazione che gli stimatori sono non distorti (unbiased) e che il modello riesce a recuperare correttamente le relazioni non lineari e gli effetti globali quando si utilizza la tecnica dello spostamento.
Comunicazioni Radio nell'Emergenza (WTC): Un classico dataset di 481 comunicazioni tra 37 soccorritori. Il modello conferma l'importanza della reciprocità, dell'attività del mittente e del ruolo (coordinatori) nell'emergenza, utilizzando una regressione di Cox su tutto il set di rischio.
Invasioni di Specie Aliene: Un'applicazione su 799 primi avvistamenti di mammiferi invasivi (1880-2005).
- Risultati: Identifica un effetto non lineare della distanza (più probabile a breve distanza, ma con dinamiche complesse) e un effetto variabile nel tempo del commercio internazionale (positivo ma in diminuzione nel tempo).
- Innovazione: Utilizza un modello misto con effetti casuali per la "invasività" specifica della specie.
Email Aziendali: Analisi di 57.791 email in un'azienda polacca.
- Risultati: L'uso di effetti non lineari per il tempo intercorrente (reciprocità) e covariate globali (ora del giorno) rivela che i picchi di reciprocità sono spesso legati ai ritardi nelle risposte a email complesse, e che l'attività email segue un pattern giornaliero forte (picco 8:00-15:00).

5. Significato e Implicazioni

Questo lavoro rappresenta una risorsa fondamentale per ricercatori e praticanti in sociologia, ecologia, scienze politiche e informatica.

Accessibilità: Abbassa la barriera d'ingresso per l'uso di modelli dinamici complessi, fornendo codice pronto all'uso.
Flessibilità: Sposta il paradigma dai modelli lineari rigidi a framework flessibili (GAM) capaci di catturare la realtà non lineare delle interazioni umane e biologiche.
Rigore Statistico: Offre strumenti robusti per la selezione e la validazione dei modelli, superando i limiti delle tecniche di simulazione tradizionali.
Scalabilità: Le tecniche proposte (campionamento NCC, SGD) rendono possibile l'analisi di dataset con milioni di eventi, rendendo i REM applicabili all'era dei Big Data.

In sintesi, il paper stabilisce i REM come un paradigma produttivo e rigoroso per lo studio dei processi di interazione dinamica, combinando la flessibilità dei modelli additivi con la struttura teorica dell'analisi di sopravvivenza e delle reti dinamiche.