技術的概要：固定エッジ確率ネットワークモデルにおけるパラメトリック・ブートストラップ

問題定義

本論文は、ランダムネットワークデータにおけるネットワーク統計量（サブグラフ数、クラスタリング係数、中心性指標など）の不確実性を定量化するという課題に取り組む。既存のネットワーク再サンプリング手法（サブサンプリングやジャックナイフ法など）は、主にノード交換可能なグラフオンモデルにおけるカウント統計量向けに開発されてきたが、以下の 2 つの重要な課題に対処できないことが多い。

1. 非交換性: 多くの実用的な応用では、ノード交換性（ラベルの置換に対する不変性）の仮定が望ましくない、あるいは誤っているような、異質なノード特性を持つネットワークが含まれる。このような場合、ノード固有の情報を保持することが不可欠である。
2. ブートストラップのバイアス: 推定されたネットワーク生成モデルのパラメータを推定し、その推定モデルから再サンプリングを行う標準的な「自然な」パラメトリック・ブートストラップは、無視できないバイアスを有する。このバイアスは、ネットワークサイズ $n$ とともにパラメータ数が増加する場合、ネットワーク統計量のプラグイン推定量 $\hat{\mu} = \mu(\hat{P})$ が真の期待値 $\mu(P)$ を正確に近似しないことに起因する。具体的には、バイアスと標準偏差の比率が $\Theta(p^{-1/2})$ または $\Theta((np)^{-1/2})$ のオーダーとなり、特に疎なネットワークにおいて標準的な信頼区間が無効となる。

著者は、$P_{ij} = p\theta_i\theta_j$ となる固定エッジ確率モデルであるチャング＝ルーモデルを作業枠組みとして焦点を当てる。潜在位置がランダムであるグラフオンモデルとは異なり、この設定では潜在位置（または固定エッジ確率行列 $P$）が固定であると仮定され、ランダム性はエッジの独立したベルヌーイ実現にのみ由来する。

手法

本論文は、標準的なパラメトリック・ブートストラップに内在するバイアスを補正するための2 段階（ダブル）ブートストラップ手順を提案する。

1. 自然なパラメトリック・ブートストラップ（1 段階）:

   • 観測ネットワーク $A$ からエッジ確率行列 $\hat{P}$ を推定する（例：最尤推定または SVD を使用）。
   • $\hat{P}$ から $B$ 個のブートストラップネットワーク $\hat{A}^{(b)}$ を生成する。
   • 各サンプルに対して統計量 $T(\hat{A}^{(b)})$ を計算する。
   • これらの統計量の分布は $T(A)$ の分布を近似するが、このブートストラップ分布の平均 $\mu(\hat{P})$ は、真の平均 $\mu(P)$ に対してバイアスを有する。

2. 2 段階ブートストラップ（バイアス補正）:

   • レベル 1: 推定モデル $\hat{P}$ から $B_1$ 個のブートストラップネットワーク $\hat{A}^{(b)}$ を生成する。
   • レベル 2: 各 $\hat{A}^{(b)}$ に対してモデルパラメータを再推定し、$\hat{\hat{P}}^{(b)}$ を得る。次に、$\hat{\hat{P}}^{(b)}$ から $B_2$ 個の 2 段階ネットワーク $\hat{\hat{A}}^{(b,c)}$ を生成する。
   • バイアス推定: 1 段階推定量のバイアスは以下のように推定される。
     $$\widehat{\text{Bias}}_{\hat{P}} = \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})] - \mu(\hat{P}) \approx \frac{1}{B_1} \sum_{b=1}^{B_1} \mu(\hat{\hat{P}}^{(b)}) - \mu(\hat{P})$$
   • 補正: バイアス補正された点推定量は $2\mu(\hat{P}) - \mathbb{E}_{\hat{P}}[\mu(\hat{\hat{P}})]$ として構成される。

このアプローチは、パラメータ次元が $n$ に比例して増加するネットワーク設定に、古典的な反復ブートストラップの原理を拡張したものである。この手法は、グローバル統計量（例：総三角形数）とローカル統計量（例：ルート付きサブグラフ数、局所クラスタリング係数）の両方に適用可能である。

主要な貢献と理論的結果

1. ブートストラップ・バイアスの特性化

著者は、チャング＝ルーモデルにおけるサブグラフ数に対するブートストラップ・バイアスの漸近的なオーダーを導出した。

• $v$ 個の頂点と $e$ 個のエッジを持つグラフ $R$ のルート付きサブグラフ数について、バイアスは $\Theta(n^{v-2}p^{e-1})$ のオーダーである。
• グローバルなサブグラフ数について、バイアスは $\Theta(n^{v-1}p^{e-1})$ のオーダーである。
• 決定的なことに、バイアスと標準偏差の比率は無視できないことが示された。
  • グローバル数：$\Theta(p^{-1/2})$。
  • ルート付き数：$\Theta((np)^{-1/2})$。
    これは、パラメータ推定が一貫していても、プラグイン推定量 $\mu(\hat{P})$ はサンプリング変動に対してバイアスを有しており、補正されない場合、推論が無効になることを確認する。

2. 2 段階ブートストラップによるバイアス低減

本論文は、2 段階ブートストラップが残存バイアスのオーダーを低減することを証明している。

• ルート付き数について、元のバイアスに対する残存バイアスは $O_P((np)^{-1/2})$ である。
• グローバル数について、低減は $O_P((np)^{-1})$ である。
  その結果、残存バイアスは標準偏差に対して無視できるようになり、有効な信頼区間の構築が可能となる。

3. 分散推定と信頼区間

著者は、2 段階ブートストラップがプラグイン推定量 $\mu(\hat{P})$ の分散の一貫推定量を提供することを確立した。

• 分散の比較: 多くの統計量において、$\text{Var}_P(\mu(\hat{P})) \ll \text{Var}_P(T(A))$ である。これは、完全なネットワーク構造を利用するプラグイン推定量 $\mu(\hat{P})$ の分布に基づく信頼区間は、単一の生統計量 $T(A)$ に基づく区間よりも著しく狭くなることを意味する。
• 区間の構築: 本論文は、バイアス補正推定量を中心とした正規近似区間と非正規（経験的ブートストラップ）区間の両方を提案している。

4. 中心極限定理（CLT）

副産物として、本論文はチャング＝ルーモデルの一般化である不均一なエルデシュ＝レーニイモデルにおけるサブグラフ数に対する CLT を確立した。この結果は、既存のグラフオンに基づく文献で要求されるものよりも弱い疎性条件の下で、グローバルおよびルート付きサブグラフ数の両方に適用される。

実証結果

数値実験は以下のデータを用いて実施された。

• 合成データ: 様々な疎性レベルを持つ確率的ブロックモデル（SBM）および次数補正 SBM（DCSBM）から生成されたネットワーク。
• 実データ: ザチャリーの空手クラブネットワークおよび政治ブログネットワーク。

発見:

• バイアス補正: バイアス補正を行わない素朴なブートストラップ区間は、特に疎なネットワークにおいて真のパラメータを著しく過小評価する（カバレッジが低い）。バイアス補正区間は、名义レベル（例：95%）に近いカバレッジを達成する。
• 区間の幅: $\mu(\hat{P})$ の分布に基づく区間は、特にローカル統計量や疎な領域において、$T(A)$ に基づく区間よりも一貫して狭い。
• 推定量の頑健性: $\hat{P}$ が SVD によって推定された場合や、モデルがわずかに誤指定されている場合（例：コミュニティ数の誤り）でも、バイアス補正は効果的に機能する。ただし、DCSBM 推定量は一般的に SVD よりも良好な性能を示す。
• 計算コスト: 2 段階ブートストラップは計算集約的（$O(B_1 B_2 n^2)$）であるが、並列化可能である。著者は、正規近似が成立する統計量の場合、分散推定のみにブートストラップを使用することで計算コストを削減できると指摘している。

意義と主張

本論文は、固定エッジ確率モデルにおけるネットワーク統計量のブートストラップ・バイアス問題に対する一般的な解決策を提供すると主張している。その意義は以下の点にある。

1. ブートストラップ理論の拡張: パラメータ数がサンプルサイズとともに増加する設定に反復ブートストラップの概念を適応させた。これは、標準的なブートストラップの一貫性がしばしば失敗するシナリオである。
2. 非交換性の処理: 固定された潜在位置（または固定された $P$）を条件付けることで、ノード固有の特性を保持し、ノード交換性の仮定が不適切な局所統計量や異質ネットワークの分析に適している。
3. 実用的推論: 提案された手法は、グラフオンモデル下のカウント統計量に焦点を当てた既存の再サンプリング手法が残したギャップを埋め、U 統計量ではないものを含む広範なネットワーク統計量に対して、正確かつ狭い信頼区間の構築を可能にする。
4. 理論的基盤: バイアスオーダーの導出と、不均一なエルデシュ＝レーニイモデルにおけるサブグラフ数に対する CLT の証明は、疎な領域におけるネットワーク推論のための厳密な理論的基盤を提供する。

著者は、分析がチャング＝ルーモデルの下で行われているが、バイアス現象はより複雑なモデル（多コミュニティ DCSBM など）でも生じると予想され、2 段階ブートストラップはこれらの設定全体に適用可能な堅牢なシミュレーションベースの補正メカニズムとして機能すると強調している。