Likelihood Inference for Latent Network Models under Snowball Sampling

Sintesi Tecnica: Inferenza di Verosimiglianza per Modelli di Reti Latenti sotto Campionamento a Palla di Neve (Snowball Sampling)

Definizione del Problema
I dati su reti su larga scala sono raramente completamente osservabili a causa di vincoli logistici, di budget o etici. Sebbene il campionamento a palla di neve (snowball sampling) sia un metodo standard per la raccolta di dati da popolazioni difficili da raggiungere, l'inferenza ingenua che ignora il meccanismo di campionamento produce stime dei parametri sistematicamente distorte. Nello specifico, poiché il campionamento a palla di neve recluta preferenzialmente vertici ad alto grado, il sottografo risultante appare più raggruppato (clustered) e omogeneo rispetto alla popolazione sottostante. Quando i professionisti applicano modelli di rete a questi campioni come se fossero popolazioni complete, sottostimano sistematicamente l'eterogeneità e la varianza della popolazione. La letteratura esistente offre stimatori basati sul design per statistiche specifiche o approcci basati sul modello che richiedono una marginalizzazione computazionalmente intrattabile sulle configurazioni di rete non osservate (ad esempio, sommando su un numero esponenziale di grafi). Esiste una mancanza di una verosimiglianza esatta, in forma chiusa, per i campioni a palla di neve che sia valida per una vasta classe di modelli di rete e computazionalmente efficiente.

Metodologia
Gli autori derivano la verosimiglianza esatta per campioni a palla di neve multi-livello (multi-wave) all'interno della classe dei modelli di Spazio Latente Continuo (CLS). Nei modelli CLS, gli archi si formano indipendentemente tra coppie di vertici condizionatamente a quantità latenti a livello di vertice (ad esempio, posizioni in uno spazio geometrico).

1. Derivazione della Verosimiglianza: Il nucleo del contributo teorico è la dimostrazione che l'indipendenza degli archi condizionale permette alla marginalizzazione sulle configurazioni di rete non osservate di ridursi a un'espressione in forma chiusa.

   • Partendo dal modello di Erdős–Rényi (ER), gli autori derivano la probabilità congiunta della matrice di adiacenza osservata e dei set di onde (wave sets). Dimostrano che la verosimiglianza si fattorizza in termini che coinvolgono archi/non-archi osservati all'interno e tra onde adiacenti, e un termine prodotto che rappresenta la probabilità che i vertici non osservati non abbiano archi verso i vertici campionati $V(0)$ attraverso $V(r-1)$.
   • Questo risultato è esteso alla classe generale CLS. Si mostra che la verosimiglianza del campione a palla di neve è equivalente alla verosimiglianza di una rete CLS in cui i vertici non campionati sono vincolati ad avere nessun arco verso il nucleo del campione ($V(0) \cup \dots \cup V(r-1)$), mentre le connessioni all'interno dell'insieme non campionato e tra l'insieme non campionato e l'ultima onda $V(r)$ sono trattate come mancanti.
   • Gli autori affrontano l'identificabilità delle posizioni latenti per i vertici non campionati, mostrando che sono identificabili solo fino alla classe di equivalenza delle configurazioni che producono la stessa probabilità di esclusione congiunta.

2. Algoritmo di Stima: Per implementare questa verosimiglianza per il modello di distanza latente euclidea (Hoff et al., 2002), gli autori sviluppano un algoritmo di Massima Verosimiglianza a Aspetto Stocastico (sEM).

   • E-step: Le posizioni latenti dei vertici campionati sono trattate come dati mancanti e campionate tramite una procedura di Markov Chain Monte Carlo (MCMC). Gli autori utilizzano un Elliptical Slice Sampler (ESS) per aggiornamenti privi di tuning. Fondamentalmente, il contributo del vasto numero di vertici non campionati non è modellato individualmente, ma viene integrato come un singolo integrale di probabilità di esclusione attesa a bassa dimensionalità.
   • M-step: I parametri vengono aggiornati massimizzando la verosimiglianza completa ai dati campionati nelle posizioni latenti.
   • Efficienza Computazionale: L'integrazione sui vertici non campionati è approssimata utilizzando metodi Quasi-Monte Carlo (QMC) (sequenze di Sobol), mantenendo l'overhead computazionale contenuto ed evitando la scalabilità quadratica tipica del MCMC su popolazione completa.

Contributi Chiave

• Verosimiglianza Esatta in Forma Chiusa: L'articolo fornisce la prima verosimiglianza esatta in forma chiusa per campioni a palla di neve multi-livello applicabile alla vasta classe di modelli CLS, risolvendo il problema aperto del calcolo di tali distribuzioni senza enumerare le reti non osservate.
• Implementazione Algoritmica: Viene sviluppato un algoritmo di EM stocastico che integra naturalmente la correzione del campionamento con gli esistenti campionatori MCMC per l'inferenza della posizione latente, aggiungendo solo un integrale a bassa dimensionalità.
• Intuizione Teorica: Il lavoro chiarisce che la non-ignorabilità della selezione dell'ego nei modelli CLS deriva quando il meccanismo di selezione dipende dalle posizioni latenti (ad esempio, selezione proporzionale al grado), uno scenario che gli autori notano non essere attualmente affrontato dagli approcci generali basati sul modello.

Risultati Empirici
La metodologia viene applicata a una rete di co-inventori su larga scala di richiedenti brevetti del settore dei semiconduttori tedeschi ($N \approx 6.000$) e validata attraverso estese simulazioni.

• Studi di Simulazione: Nelle simulazioni di modelli Erdős–Rényi e di distanza, lo stimatore ingenuo (che ignora il campionamento) sovrastima gravemente la densità degli archi e sottostima la varianza dello spazio latente. Lo stimatore corretto per il campionamento a palla di neve rimane approssimativamente non distorto anche con campioni sparsi.
• Applicazione ai Brevetti dei Semiconduttori:
  • Varianza dello Spazio Latente: La procedura ingenua sottostima gravemente la dispersione dello spazio latente (stimando $\hat{\psi} \approx 25$ rispetto a $\hat{\psi} \approx 215$ per il modello corretto).
  • Conteggio degli Archi: Il modello ingenuo produce reti con quasi il doppio del numero di archi osservati (media 41.154 rispetto a 21.073 osservati), mentre il modello corretto riproduce da vicino il conteggio osservato (media 24.093).
  • Goodness-of-Fit: Il modello corretto raggiunge un goodness-of-fit spettrale (SGOF) nove volte migliore del modello ingenuo (0,258 vs 0,027).
  • Effetti delle Covariate: Mentre entrambi i modelli concordano qualitativamente sui pattern di omofilia di genere e prossimità geografica, il modello ingenuo sovrastima sistematicamente le probabilità di base degli archi e attenua il decadimento della probabilità di collaborazione con la distanza geografica. Il modello corretto rivela un decadimento della distanza più ripido e una maggiore variabilità nelle propensioni alla collaborazione.

Significatività e Rivendicazioni
L'articolo sostiene che ignorare il meccanismo di campionamento a palla di neve porta a errori quantitativamente drammatici nell'inferenza di rete, alterando le conclusioni sulla eterogeneità della popolazione e sugli effetti delle covariate. Il framework proposto consente il primo stress test empirico dei modelli di distanza latente su reti su larga scala che presentano genuine proprietà di "small-world", una scala precedentemente computazionalmente proibitiva per l'inferenza basata sulla verosimiglianza.

Gli autori notano con modestia che, sebbene il framework migliori significativamente l'inferenza ingenua, il modello di distanza euclidea fatica ancora a adattarsi perfettamente alle reti small-world con distribuzioni di grado heavy-tailed (un limite teorico noto). Tuttavia, sostengono che la procedura corretta espone questo limite del modello in modo più onesto rispetto all'approccio ingenuo, che contrae artificialmente lo spazio latente per mascherare il disaccordo (misfit). Il framework è presentato come una base per future estensioni ai modelli di spazio latente iperbolico, ai modelli graphon e ai modelli con covariate, a condizione che l'assunzione di indipendenza condizionale degli archi sia rispettata.