Relational event models with global covariates

Este artigo propõe um método inovador de amostragem de não-eventos temporalmente deslocados para estimar covariáveis globais em modelos de eventos relacionais aplicados ao compartilhamento de bicicletas, permitindo a identificação de fatores como clima e horário no dinamismo do sistema sem a necessidade de cálculos de verossimilhança total computacionalmente inviáveis.

O essencial

Imagine que a cidade de Washington D.C. é um grande tabuleiro de xadrez vivo, onde cada estação de bicicleta é uma peça e cada viagem de bicicleta é um movimento feito por um jogador. O objetivo dos autores deste artigo é entender por que e quando esses movimentos acontecem.

Eles usaram uma ferramenta estatística chamada "Modelo de Eventos Relacionais" (REM). Pense nisso como um detetive que tenta adivinhar o próximo movimento no xadrez olhando para o histórico de jogadas.

Aqui está a explicação do que eles fizeram, dividida em partes simples:

1. O Problema: O "Ruído" do Mundo Real

Normalmente, esses modelos de detetive olham apenas para coisas específicas entre duas peças: "Quão longe estão as estações?" ou "Essa rota foi usada antes?". Eles ignoram o que está acontecendo no mundo inteiro no momento da jogada.

Por exemplo, se está chovendo torrencialmente ou se é 18h de uma segunda-feira, todos os jogadores no tabuleiro tendem a fazer menos movimentos. Na estatística tradicional, esse "clima" ou "hora do dia" era considerado um incômodo (um parâmetro de ruído) que desaparecia da equação matemática. Era como tentar adivinhar o próximo movimento de xadrez ignorando completamente se está nevando lá fora.

2. A Solução Criativa: O "Efeito de Atraso" (Time-Shift)

Os autores tiveram uma ideia brilhante para resolver isso sem precisar de supercomputadores (já que calcular tudo de uma vez é impossível para milhões de viagens).

Eles propuseram um truque mental: Imagine que cada viagem de bicicleta aconteceu em um horário ligeiramente diferente do que realmente aconteceu.

• A Analogia da Festa: Imagine que você está em uma festa e quer saber se a música alta (o evento global) faz as pessoas dançarem mais.
  • Método antigo: Você compara a música com a dança de cada casal. Se a música é a mesma para todos, você não consegue ver a diferença.
  • Método novo (dos autores): Você diz: "Ok, o Casal A dançou às 20:00, mas vamos fingir que eles dançaram às 20:05. O Casal B dançou às 20:10, mas vamos fingir que foi às 20:15".
  • O Pulo do Gato: Ao "atrasar" o horário de cada casal de forma aleatória, o clima ou a hora do dia deixa de ser igual para todos no momento da comparação. Agora, o Casal A está "dançando" (na nossa imaginação) quando o sol está alto, e o Casal B quando já está escuro. Isso permite que o modelo veja claramente: "Ah, quando o sol está alto, as pessoas dançam mais!".

Esse "atraso" (time-shift) permite que o modelo matemático capture o efeito do clima e da hora do dia, coisas que antes sumiam da equação.

3. O Truque da Amostra (Nested Case-Control)

Como há 350.000 viagens e milhões de pares de estações possíveis, comparar cada viagem com todas as outras seria como tentar ler cada página de uma biblioteca inteira para encontrar uma única palavra. Demoraria uma eternidade.

Para resolver isso, eles usaram uma técnica de "amostragem":

• Para cada viagem real que aconteceu, eles escolheram apenas uma viagem que não aconteceu (um par de estações que não foi usado naquele momento) para comparar.
• É como se, para cada pessoa que comprou um ingresso para o cinema, você perguntasse a apenas uma pessoa que ficou em casa: "Por que você não foi?".
• Isso torna o cálculo super rápido e eficiente, permitindo analisar redes gigantes.

4. O Que Eles Descobriram em Washington D.C.

Ao aplicar esse método aos dados de 350.000 viagens em julho de 2023, eles descobriram coisas muito claras:

• O Clima é Rei: Se está muito quente (acima de 30°C) ou chovendo, as pessoas param de pedalar. O modelo conseguiu medir exatamente quanto a chuva desmotiva.
• O Ritmo do Dia: Há picos claros de uso.
  • Manhã (4h-9h): Pessoas indo para o trabalho.
  • Tarde (18h): Pessoas voltando para casa.
  • Noite: O uso cai drasticamente.
• Distância: As pessoas preferem viagens curtas (cerca de 10 minutos). Quanto mais longe, menos uso.
• Curiosidade sobre Concorrência: Eles esperavam que, se houvesse muitas estações perto, as pessoas usariam mais (concorrência boa). Mas descobriram o contrário: onde há muitas estações perto, o uso é menor. Isso sugere que talvez não haja bicicletas suficientes para atender a demanda nessas áreas lotadas, ou que a infraestrutura está sobrecarregada.

Resumo Final

Este artigo é como dar óculos de visão noturna para os cientistas de dados. Antes, eles só conseguiam ver o que acontecia entre duas estações específicas. Com essa nova técnica de "atrasar o tempo" e comparar com uma amostra inteligente, eles agora conseguem ver o cenário completo: como o sol, a chuva e o relógio da cidade influenciam o movimento de milhões de pessoas, tudo de forma rápida e precisa.

Isso ajuda os planejadores urbanos a saberem, por exemplo, que precisam de mais bicicletas nas estações centrais durante a hora do rush, ou que o sistema precisa de manutenção quando a previsão do tempo indica chuvas fortes.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Relational event models with global covariates", apresentado em português:

Título: Modelos de Eventos Relacionais com Covariáveis Globais

1. Problema e Motivação

Os Modelos de Eventos Relacionais (REMs) são ferramentas estatísticas poderosas para analisar redes dinâmicas, onde as interações entre entidades (nós) ocorrem ao longo do tempo e são registradas como eventos temporais. No entanto, a inferência padrão em REMs baseia-se na verossimilhança parcial (partial likelihood).

• A Limitação: Na abordagem de verossimilhança parcial tradicional, os efeitos globais (covariáveis que variam no tempo, mas são constantes para todos os pares de interação, como o clima ou a hora do dia) são tratados como parâmetros de incômodo (nuisance parameters) e cancelam-se matematicamente.
• O Desafio: Para estimar esses efeitos globais, seria necessário usar a verossimilhança completa. Contudo, o cálculo exato da verossimilhança completa envolve integrais complexas entre os tempos dos eventos e escala quadraticamente com o número de nós, tornando-se computacionalmente inviável para redes grandes (como sistemas de bicicletas compartilhadas com milhares de estações e milhões de pares).
• Objetivo: Desenvolver um método que permita a estimação eficiente e consistente de efeitos globais em REMs, mantendo a escalabilidade para grandes redes dinâmicas.

2. Metodologia Proposta

Os autores propõem uma abordagem inovadora que combina uma versão deslocada no tempo do processo de eventos com amostragem aninhada de caso-controle (nested case-control sampling).

• Processo de Eventos Deslocado no Tempo:

  • Em vez de analisar os eventos no tempo original $t$, o método cria um novo processo onde cada par de nós $(s, r)$ recebe um deslocamento aleatório positivo $H_{sr}$.
  • Isso faz com que, dentro do conjunto de risco (risk set) em um determinado momento, os eventos e os não-eventos sejam avaliados em pontos temporais diferentes.
  • Consequentemente, as covariáveis globais (que dependem do tempo) não se cancelam na razão de intensidades da verossimilhança parcial, permitindo sua estimação.

• Amostragem Aninhada de Caso-Controle:

  • Para lidar com a complexidade computacional de redes grandes, o método aplica amostragem de caso-controle no processo deslocado. Para cada evento observado, um "não-evento" (um par de nós que não interagiu naquele momento) é amostrado aleatoriamente do conjunto de risco.
  • Isso reduz a complexidade de calcular a verossimilhança de $O(N^2)$ para $O(N)$, onde $N$ é o número de nós.

• Conexão com Modelos Aditivos Logísticos Degenerados:

  • O artigo demonstra que, quando se amostra apenas um não-evento por evento, a verossimilhança parcial resultante é matematicamente equivalente à de um modelo logístico aditivo degenerado.
  • Isso permite o uso de técnicas eficientes de modelagem aditiva generalizada (GAMs) para estimar efeitos não lineares e suaves tanto para covariáveis globais quanto locais, utilizando pacotes existentes (como mgcv no R).

3. Contribuições Principais

1. Inferência de Efeitos Globais: Supera a limitação fundamental dos REMs tradicionais, permitindo a estimação direta de covariáveis globais (ex: clima, hora do dia) sem recorrer a aproximações de verossimilhança completa que são computacionalmente proibitivas.
2. Escalabilidade: O método é viável para redes de grande escala (milhares de nós) graças à combinação do deslocamento temporal com a amostragem caso-controle.
3. Consistência e Flexibilidade: Ao contrário de aproximações de verossimilhança completa que assumem funções de risco constantes entre eventos (o que pode introduzir viés), o método proposto é consistente. Além disso, permite modelar efeitos não lineares e suaves de forma flexível.
4. Validação Empírica e Simulação: O método foi validado através de estudos de simulação e aplicado a um conjunto de dados real de grande porte.

4. Resultados

• Estudo de Simulação:

  • Precisão: A precisão das estimativas dos efeitos globais aumenta com o número de eventos e é robusta em relação ao tamanho da rede (número de nós).
  • Distribuição de Deslocamento: O estudo identificou que o tamanho do deslocamento temporal é crucial. Deslocamentos muito pequenos resultam em variância infinita (devido à falta de variação nas covariáveis globais entre evento e não-evento), enquanto deslocamentos muito grandes podem tornar o conjunto de risco ineficaz. Um deslocamento intermediário otimiza a estimação.
  • Comparação com Verossimilhança Completa: Ao comparar com o método de verossimilhança completa aproximada (Stadtfeld & Block, 2017), o método proposto mostrou-se mais de um milhão de vezes mais rápido. Embora a verossimilhança completa tenha menor variância, ela apresenta um viés significativo devido às suas suposições de constância entre eventos, enquanto o método proposto é consistente.

• Aplicação em Dados Reais (Bicicletas em Washington D.C.):

  • Analisou-se cerca de 350.000 viagens de bicicletas entre julho de 2023.
  • Efeitos Globais Identificados:
    • Clima: A temperatura tem um efeito não linear (aumenta o uso até um certo ponto, depois diminui se estiver muito quente). A precipitação reduz significativamente o uso.
    • Hora do Dia: Há picos claros de uso durante o horário de trabalho (início da manhã e fim da tarde), refletindo deslocamentos pendulares.
  • Efeitos Locais e Díadicos: Confirmou-se que distâncias curtas são preferidas e que há padrões de repetição e reciprocidade nas rotas.
  • Concorrência: A análise revelou um cenário de "concorrência negativa", onde a proximidade de outras estações não reduz o fluxo, sugerindo uma demanda que supera a oferta de estações na área.

5. Significância e Conclusão

Este trabalho representa um avanço significativo na análise de redes dinâmicas. Ao permitir a inclusão de covariáveis globais em modelos de eventos relacionais de forma computacionalmente eficiente, o método preenche uma lacuna crítica na modelagem de fenômenos onde fatores externos (como clima e tempo) são determinantes.

A aplicação ao sistema de bicicletas compartilhadas demonstra a utilidade prática da metodologia para planejadores urbanos e provedores de serviços, fornecendo insights acionáveis sobre como otimizar a infraestrutura e a gestão de frotas com base em padrões temporais e ambientais. O código e os dados para reprodução estão disponíveis publicamente, facilitando a adoção da técnica pela comunidade científica.