Relational event models with global covariates

Deze studie introduceert een innovatieve steekproefmethode voor relationele gebeurtenismodellen die, door gebruik te maken van tijdelijk verschoven niet-gebeurtenissen, de schatting van globale covariaten mogelijk maakt en zo de invloed van factoren als weer en tijdstip op de fietsverhuur in Washington D.C. aantoont.

De kern

Hoe we fietsverhuur in Washington D.C. begrijpen met een slimme statistische truc

Stel je voor dat je een gigantische, levende kaart van Washington D.C. hebt, waarop elke fietsrit die ooit is gemaakt, wordt getoond als een stipje dat van A naar B springt. De wetenschappers in dit artikel willen weten: waarom springen die stipjes op het ene moment wel en op het andere moment niet?

Ze gebruiken een wiskundig model genaamd een "Relational Event Model" (REM). Maar hier zit een probleem: de standaardmethode voor dit soort modellen is alsof je alleen kijkt naar de afstand tussen twee stations of hoeveel fietsers er al zijn. Het kijkt niet naar de grote, algemene factoren die iedereen tegelijkertijd beïnvloeden, zoals het weer of de tijd van de dag.

In de statistiek noemen we die grote factoren "globale covariaten". De standaardmethode negeert deze vaak omdat ze als "ruis" worden beschouwd. Maar voor fietsverhuur is het weer juist de belangrijkste drijfveer!

Hier is hoe de auteurs dit oplossen, vertaald in alledaagse taal:

1. Het probleem: De "Grote Stilte"

Stel je voor dat je probeert uit te zoeken waarom mensen op een regenachtige dag minder fietsen.

• De oude manier: Je vergelijkt ritje A (regen) met ritje B (zon). Maar als je de statistische formule gebruikt, "krijgt" de regenfactor zichzelf opgeheven omdat het voor iedereen tegelijk regende. Het model denkt: "Oh, dit is gewoon de basislijn, ik kan hier niets mee."
• Het gevolg: Het model ziet de invloed van het weer niet, terwijl we allemaal weten dat regen een enorme impact heeft.

2. De oplossing: De "Tijdsverschuiving" (De Tijdreis-truc)

De auteurs bedachten een slimme truc om die "ruis" (het weer) toch meetbaar te maken. Ze doen alsof ze de tijd een beetje oprekken.

• De Analogie: Stel je voor dat je een film van de fietsverhuur bekijkt. Normaal kijk je naar een ritje op 14:00 uur.
• De Truc: De auteurs zeggen: "Laten we voor elk mogelijk fietspaar (station A naar station B) een beetje 'tijd' toevoegen."
  • Voor ritje A kijken we alsof het om 14:05 is.
  • Voor ritje B kijken we alsof het om 14:07 is.
  • Voor ritje C kijken we alsof het om 14:03 is.

Omdat ze elk paar een andere tijdsverschuiving geven, is het op het moment van de "verplaatste" ritje niet meer hetzelfde weer als op het moment van de andere ritjes. Plotseling heeft het model wel een verschil om te meten!

• Ritje A (verschuiving +5 min) wordt bekeken op een moment dat het net een beetje harder regende.
• Ritje B (verschuiving +7 min) wordt bekeken op een moment dat de regen net stopte.

Door deze kleine "tijdsverschillen" te introduceren, kan het model nu zien: "Ah, als het harder regent, gebeurt er minder." De grote, algemene factoren worden nu zichtbaar.

3. Het probleem met de computer: De "Oogst"

Er is nog een probleem. Washington D.C. heeft duizenden stations. Als je elke mogelijke combinatie van stations (A naar B, A naar C, B naar C...) moet vergelijken, heb je miljoenen combinaties. Een computer zou hier eeuwen over doen om te rekenen.

• De Analogie: Het is alsof je in een enorm veld met 10 miljoen bloemen wilt weten welke bloem de mooiste is. Je kunt niet elke bloem bekijken.
• De Oplossing: Ze gebruiken een methode genaamd "Nested Case-Control Sampling".
  • In plaats van alle 10 miljoen bloemen te bekijken, kijken ze alleen naar de bloem die werkelijk is geplukt (de fietsrit die plaatsvond).
  • Dan kiezen ze willekeurig één andere bloem uit het veld die niet is geplukt (een rit die niet plaatsvond).
  • Ze vergelijken alleen deze twee: "Waarom werd deze geplukt en die niet?"
  • Door dit slim te doen, krijgen ze bijna hetzelfde antwoord als bij het bekijken van alle bloemen, maar dan in een fractie van de tijd.

4. Wat ontdekten ze over fietsen in Washington D.C.?

Toen ze deze methode toepasten op 350.000 fietsritten in juli 2023, kwamen ze tot verrassende en logische conclusies:

• Het weer is koning:
  • Temperatuur: Als het te koud is, fietsen mensen niet. Als het te heet is (boven de 30 graden), fietsen ze ook minder. Het is een soort "gouden middenweg".
  • Regen: Hoe harder het regent, hoe minder er wordt gefietst. Dit klinkt logisch, maar nu hebben ze het wiskundig bewezen.
• De tijd van de dag:
  • Er zijn duidelijke pieken om 08:00 en 18:00 uur (naar en van het werk).
  • 's Nachts is het bijna dood.
  • Interessant: Mensen fietsen liever na hun werk (rond 18:00) dan voor hun werk (rond 08:00). Misschien omdat ze 's avonds minder haast hebben of meer tijd hebben voor recreatie?
• Afstand:
  • Mensen houden van korte ritjes. De meeste ritten duren minder dan 10 minuten. Hoe verder je moet fietsen, hoe minder waarschijnlijk het is dat iemand een fiets huurt.
• Concurrentie:
  • Als er veel fietsstations dicht bij elkaar staan, zou je denken dat het drukker is. Maar het tegendeel bleek waar: als stations heel dicht bij elkaar staan, is het verkeer juist minder. Dit suggereert dat er misschien te weinig stations zijn voor de vraag, of dat mensen liever naar een verder weg gelegen, maar minder drukke plek gaan.

Conclusie

Deze wetenschappers hebben een nieuwe, slimme manier bedacht om naar data te kijken. Ze gebruiken een "tijdsverschuiving" om de grote, algemene factoren (zoals weer) zichtbaar te maken, en een "steekproef-truc" om de computer niet te laten crashen.

Het resultaat? Een beter begrip van hoe mensen zich verplaatsen. Dit helpt stedenplanners om betere fietspaden aan te leggen, meer stations te plaatsen waar ze nodig zijn, en te begrijpen hoe we de fiets kunnen laten groeien als een duurzaam vervoermiddel.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Relational event models with global covariates" in het Nederlands.

Probleemstelling

Relational Event Models (REMs) zijn een krachtig raamwerk voor het modelleren van dynamische netwerken waarbij interacties (zoals fietsverhuur tussen stations) worden beschouwd als tijdstempels gebeurtenissen. Traditionele REM-inferentie maakt gebruik van een partiele likelihood (partial likelihood). Een fundamentele beperking van deze aanpak is dat globale covariaten (variabelen die op een bepaald tijdstip voor alle interacties gelijk zijn, zoals weercondities of het tijdstip van de dag) worden behandeld als storende parameters (nuisance parameters).

In de partiele likelihood heffen deze globale effecten zich op en verdwijnen ze, waardoor het onmogelijk is om hun invloed direct te schatten. Alternatieven zoals de volledige likelihood (full likelihood) zijn theoretisch mogelijk, maar computationeel onuitvoerbaar voor grote netwerken (zoals fietsverhuursystemen met duizenden stations en miljoenen mogelijke paren) omdat de berekening kwadratisch schaalt met het aantal knopen en integraties over de tijdsintervallen vereist. Bestaande benaderingen om globale effecten te schatten zijn vaak onnauwkeurig (bijv. via a posteriori schattingen) of vereisen onrealistische aannames (zoals een stuksgewijs constante intensiteit).

Methodologie

De auteurs stellen een innovatieve methode voor die de partiele likelihood combineert met een tijdverschuiving van het gebeurtenisproces en geneste case-control sampling.

1. Tijdverschuiving (Time-shifted Event Process):

   • Het originele proces van gebeurtenissen $M$ wordt getransformeerd naar een nieuw proces $M^e$ door de markeringen (de paren van zender en ontvanger) te verschuiven met onafhankelijke, positieve willekeurige verschuivingen $H_{sr}$.
   • Door elke interactie een unieke tijdsverschuiving te geven, worden de intensiteiten van de gebeurtenis en de potentiële niet-gebeurtenissen (risico's) in de risicopool op verschillende tijdstippen geëvalueerd.
   • Hierdoor heffen de globale covariaten zich niet meer op in de partiele likelihood, omdat de waarden van de covariaten voor de verschillende paren in de risicopool verschillend zijn door de verschillende verschuivingen.

2. Geneste Case-Control Sampling:

   • Om de computationele complexiteit (die kwadratisch is met het aantal knopen) te verminderen, wordt er geen volledige risicopool gebruikt. In plaats daarvan wordt er voor elke waargenomen gebeurtenis een klein aantal "niet-gebeurtenissen" (controles) willekeurig uit de risicopool gehaald.
   • Dit maakt de methode toepasbaar op zeer grote netwerken.

3. Degeneratie Logistiek Additief Model:

   • Wanneer er precies één niet-gebeurtenis wordt gekozen per gebeurtenis, kan de verkregen partiele likelihood worden herschreven als de likelihood van een degenererend logistisch regressiemodel.
   • In dit model is de responsvariabele een Bernoulli-variabele (1 voor de gebeurtenis, 0 voor de niet-gebeurtenis).
   • De log-odds worden bepaald door het verschil in de covariatenwaarden tussen de gebeurtenis en de niet-gebeurtenis.
   • Dit stelt de auteurs in staat om Generalized Additive Models (GAMs) te gebruiken (via de R-pakket mgcv), waardoor niet-lineaire en gladde effecten van zowel lokale (dyadische) als globale covariaten efficiënt kunnen worden geschat.

Belangrijkste Bijdragen

• Inclusie van Globale Covariaten: De eerste methode die het mogelijk maakt om globale, tijd-afhankelijke covariaten (zoals weer) direct en consistent te schatten binnen een partiele likelihood-raamwerk voor REMs, zonder de aannames van stuksgewijs constante intensiteiten die nodig zijn bij benaderingen van de volledige likelihood.
• Computationele Efficiëntie: Door de combinatie van tijdverschuiving en case-control sampling wordt de schaalbaarheid van REMs naar zeer grote netwerken (miljoenen mogelijke paren) mogelijk gemaakt.
• Flexibiliteit: De koppeling met logistieke additieve modellen maakt het mogelijk om complexe, niet-lineaire relaties en gladde functies voor alle soorten covariaten te modelleren.
• Theoretische Validatie: De auteurs tonen aan dat de methode consistent is en dat de keuze van de verdeling van de verschuivingen (shift distribution) cruciaal is voor de precisie van de schattingen.

Resultaten

1. Simulatiestudie:

• Samplegrootte: De precisie van de schattingen voor globale covariaten neemt toe met het aantal gebeurtenissen.
• Netwerkgrootte: Het aantal knopen heeft weinig invloed op de schatting, wat aantoont dat de methode goed schaalt naar grote netwerken.
• Verschuiving (Shift): Er is een "sweet spot" voor de grootte van de tijdsverschuiving. Te kleine verschuivingen leiden tot structurele nullen (geen verschil in covariatenwaarden), terwijl te grote verschuivingen leiden tot een te kleine effectieve steekproefgrootte (risicopool bevat soms alleen de gebeurtenis zelf).
• Vergelijking met Volledige Likelihood: De voorgestelde methode heeft een iets hogere variantie dan de benaderde volledige likelihood (Stadtfeld & Block, 2017), maar is veel minder vertekend (bias). De volledige likelihood-methode levert systematisch verkeerde schattingen op door de aannames over de intensiteit tussen gebeurtenissen. Bovendien is de voorgestelde methode miljoenen keren sneller.

2. Empirische Analyse (Fietsverhuur in Washington D.C.):
De methode werd toegepast op 350.000 ritjes in juli 2023. De resultaten tonen significante invloeden van:

• Weer: Hogere temperaturen verhogen het gebruik tot een bepaald punt, waarna het gebruik daalt (te warm). Neerslag heeft een sterk negatief effect op het gebruik.
• Tijdstip van de dag: Er is een duidelijke piek tijdens de ochtendspits (4-9 uur) en de avondspits (rond 18 uur), met een daling 's nachts.
• Dyadische factoren: De afstand tussen stations heeft een negatief effect (hoe verder, hoe minder kans), en er is een duidelijk "herhalings"-effect (mensen gebruiken vaak dezelfde route).
• Locatie-competitie: Interessant genoeg bleek dat stations die dicht bij elkaar liggen, niet minder gebruik genereren; het effect was negatief, wat suggereert dat er in deze gebieden mogelijk een tekort aan stations is ten opzichte van de vraag.

Betekenis en Conclusie

Dit artikel biedt een doorbraak in de analyse van dynamische netwerken. Het lost het langdurige probleem op van het schatten van globale factoren in relationele gebeurtenismodellen. Voor beleidsmakers en stadsplanners betekent dit dat ze nu kwantitatief kunnen bepalen hoe externe factoren (zoals weersomstandigheden en tijdspatronen) het verkeer en de vraag naar mobiliteitsdiensten beïnvloeden, zonder beperkt te zijn tot alleen lokale netwerkeigenschappen. De methode combineert theoretische nauwkeurigheid met praktische toepasbaarheid op grote schaal, wat essentieel is voor het optimaliseren van moderne stedelijke infrastructuur.