📊 statistics

Likelihood Inference for Latent Network Models under Snowball Sampling

本文通过推导连续潜在空间模型的精确似然函数，并开发了一种随机期望最大化算法，显著提高了推理精度和模型拟合度，从而解决了因忽略滚雪球抽样机制而导致的网络参数估计中的系统性偏差问题。

原作者： Nurzhan Sapargali, Sergio Buttazzo, Göran Kauermann

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Nurzhan Sapargali, Sergio Buttazzo, Göran Kauermann

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是该论文的通俗化解释，使用了日常类比。

核心问题： “滚雪球”效应

想象一下，你想了解一座巨大城市里整个社交圈的情况，但你无法采访到每一个人。相反，你从一个人（“种子”）开始，问他：“你的朋友是谁？”然后你再去问那些朋友：“你们的朋友又是谁？”以此类推。

这被称为滚雪球抽样（Snowball Sampling）。它就像让一个雪球从山上滚下；起初规模很小，但随着滚动，它会粘上越来越多的雪（人）。

陷阱：
这种方法存在偏差。拥有众多朋友的人（热门枢纽）比只有一两个朋友的人更容易被雪球“粘住”。如果你仅仅观察你收集到的人，并试图据此推测整个城市的连接情况，你会得出错误的结论。你会认为这座城市比实际情况更加紧密、更加“抱团”，因为你无意中收集到的主要是那些受欢迎的人群。

解决方案：一种新的数学视角

论文作者开发了一种新的数学处理方式，使研究人员能够修正这种偏差。他们创建了一个“修正后的透镜”，用以解释滚雪球抽样自然会遗漏掉那些安静、孤立的人这一事实。

以下是他们的方法，分为三个部分：

1. “隐形墙”类比

想象一下，那些你没有找到的人正站在一面隐形墙后面。

天真的错误： 如果你忽略抽样方法，你会假设所有你没找到的人都和你找到的人一样。你假设他们都聚在派对的中心。
修正方法： 作者意识到，如果一个人没有被雪球捕捉到，这意味着他与你在前几轮中找到的人之间没有连接。他们之所以“隐形”，是因为他们离核心群体太远了。
数学魔力： 论文证明，对于一类特定的模型（称为连续潜在空间模型/Continuous Latent Space models），即使不需要看到那些缺失的人，你也可以计算出这种“隐形”的概率。这就像是，即便你看不见某人，但只要没听到声音，你就知道那个人离得很远。这使得他们能够写出一个完美的数学公式（似然函数），将缺失的人也纳入其中，而无需实际采访他们。

2. “隐藏地图”（潜在空间）

为了理解这个网络，作者想象每个人在隐藏地图上都有一个秘密坐标。

如果两个人在隐藏地图上的位置很近，他们很可能会成为朋友。
如果他们离得很远，可能就不会成为朋友。

天真的做法： 当研究人员忽略抽样偏差时，他们画出的这张隐藏地图会显得过于狭小。他们把所有人挤进了一个微小且拥挤的房间里。因为在这样一张微小的地图上每个人都靠得很近，数学模型会预测每个人都会和所有人成为朋友。这会导致预测结果显示该网络的连接数远高于实际情况。

修正后的做法： 新方法会拉伸这张地图。它意识到：“啊，我们错过的那些人实际上在地图上离得非常远，这就是为什么雪球没有滚向他们。”这创造了一张更大、更准确的地图，其中人与人之间的距离更能反映现实。

3. 现实世界测试：专利发明家

为了证明其方法的有效性，作者在一个真实的庞大网络上进行了测试：德国半导体发明家（约 6,000 名共同参与专利研发的人员）。

实验： 他们从这个网络中提取了 500 个不同的“雪球”（样本），并尝试使用两种方法来重建整体图景：旧的“天真”方法和他们新的“修正”方法。
结果：
- 天真的方法： 它画出了一张所有人被挤压在一起的地图。它预测该网络的连接数几乎是实际情况的两倍。它认为这个世界比实际情况更小、联系更紧密。
- 修正后的方法： 它画出了一张宽出 8 倍（更分散）的地图。这与真实数据吻合得更好。它正确地预测了连接数量以及网络的“形状”。

为什么这很重要

论文表明，如果你使用旧的、天真的方法，你可能会得出错误的结论。

例子： 如果你正在研究地理位置如何影响协作，天真的方法可能会说：“哦，距离并不重要，因为在我们的微型地图上大家离得很近。”
真相： 修正后的方法显示，距离确实非常重要。两个发明家之间的距离越远，他们合作的可能性就越低。天真的方法通过将地图“挤压”，掩盖了这一现实。

总结

作者不仅指出“滚雪球抽样存在偏差”，他们还为广泛的网络模型构建了一个能够修复这种偏差的具体数学工具。他们证明了，通过考虑那些被遗漏的人的“隐形性”，即使无法接触到所有人，你也能获得网络的真实全貌。

简而言之： 不要只盯着你滚下的那个雪球；要利用他们的新数学工具，去推算那些留在雪地里的人，从而正确地绘制出整个世界的地图。

技术摘要：雪球抽样下潜在网络模型的似然推断

问题陈述
由于物流、预算或伦理方面的限制，大规模网络数据很少是完全可观测的。虽然雪球抽样是收集难以触及的人群数据的标准方法，但忽略抽样机制的朴素推断会导致参数估计产生系统性偏差。具体而言，由于雪球抽样会优先招募高度数顶点，导致所得子图比底层总体显得更加聚集且同质化。当从业者将网络模型应用于这些样本，并将其视为完整总体时，会系统性地低估总体的异质性和方差。现有文献提供了针对特定统计量的设计型估计量（design-based estimators）或模型化方法，但后者需要对未观测的网络配置进行计算上难以处理的边缘化处理（例如，对指数级数量的图进行求和）。目前缺乏一种适用于广泛网络模型类别、且具有精确闭式形式（closed-form）的雪球抽样似然函数。

方法论
作者推导了连续潜在空间（Continuous Latent Space, CLS）模型类中多波次雪球样本的精确似然函数。在 CLS 模型中，给定顶点层级的潜在量（例如几何空间中的位置）后，边在顶点对之间是条件独立形成的。

似然函数推导： 其核心理论贡献在于证明了条件边独立性使得对未观测网络配置的边缘化可以简化为闭式表达式。
- 从 Erdős–Rényi (ER) 模型开始，作者推导了观测到的邻接矩阵与波次集合的联合概率。他们表明，似然函数分解为涉及波次内及波次间观测到的边/非边的项，以及一个代表未观测顶点与采样波次 $V(0)$ 至 $V(r-1)$ 之间均无连边的概率乘积项。
- 这一结果被扩展到通用的 CLS 类。研究表明，雪球样本的似然函数等价于一个 CLS 网络，其中未采样顶点被约束为与核心样本（ $V(0) \cup \dots \cup V(r-1)$ ）之间没有边，而未采样集合内部以及未采样集合与最后一波次 $V(r)$ 之间的连接被视为缺失。
- 作者探讨了未采样顶点潜在位置的可识别性问题，指出它们仅在产生相同联合排除概率的等价类配置下是可识别的。
估计算法： 为了实现该似然函数在欧几里得潜在距离模型（Hoff et al., 2002）中的应用，作者开发了一种随机期望最大化（sEM）算法。
- E步（E-step）： 将采样顶点的潜在位置视为缺失数据，并通过马尔科夫链蒙特卡洛（MCMC）程序进行采样。作者利用椭圆切片采样器（Elliptical Slice Sampler, ESS）进行无调参更新。至关重要的是，大量未采样顶点的贡献并非单独建模，而是作为一个低维度的预期排除概率被整合。
- M步（M-step）： 通过在采样的潜在位置处最大化完全数据对数似然来更新参数。
- 计算效率： 使用拟蒙特卡洛（Quasi-Monte Carlo, QMC）方法（Sobol 序列）对未采样顶点的积分进行近似，从而保持了适度的计算开销，避免了全总体 MCMC 中常见的二次方规模缩放问题。

主要贡献

精确闭式似然： 本文提供了第一个适用于广泛 CLS 模型的、针对多波次雪球样本的精确闭式似然函数，解决了无需枚举未观测网络即可计算此类分布的开放性问题。
算法实现： 开发了一种随机 EM 算法，该算法能将抽样修正自然地集成到现有的用于潜在位置推断的 MCMC 采样器中，仅增加了一个低维积分。
理论洞察： 本研究阐明了在 CLS 模型中，当选择机制依赖于潜在位置（例如，度数比例选择）时，自我选择（ego selection）的不可忽略性是如何产生的，作者指出目前的通用模型化方法尚未解决这一场景。

实证结果
该方法应用于一个大规模德国半导体专利申请人的共同发明人网络（ $N \approx 6,000$ ），并通过广泛的模拟实验进行了验证。

模拟研究： 在 Erdős–Rényi 和距离模型的模拟中，朴素估计量（忽略抽样）严重高估了边密度，并低估了潜在空间的方差。经过雪球修正的估计量即使在样本稀疏的情况下也能保持近似无偏。
半导体专利申请案例：
- 潜在空间方差： 朴素程序严重低估了潜在空间的扩散程度（估计 $\hat{\psi} \approx 25$ 对比修正模型的 $\hat{\psi} \approx 215$ ）。
- 边计数： 朴素模型产生的网络边数几乎是观测值的两倍（均值 41,154 对比观测值 21,073），而修正模型能紧密复现观测计数（均值 24,093）。
- 拟合优度： 修正模型实现的谱拟合优度（SGOF）比朴素模型好九倍（0.258 对比 0.027）。
- 协变量效应： 虽然两种模型在性别同质性和地理接近性模式上定性一致，但朴素模型系统性地高估了基准边概率，并减弱了协作概率随地理距离衰减的过程。修正模型揭示了更陡峭的距离衰减和更高的协作倾向变异性。

意义与主张
本文主张，忽略雪球抽样机制会导致网络推断出现定量上的巨大错误，从而改变关于总体异质性和协变量效应的结论。所提出的框架使得对表现出真实小世界属性的大规模网络进行潜在距离模型的首次经验压力测试成为可能，这类规模在以往是基于似然的推断在计算上难以实现的。

作者谦虚地指出，尽管该框架较朴素推断有了显著改进，但欧几里得距离模型在拟合具有重尾度数分布的小世界网络时仍存在困难（这是已知的理论局限性）。然而，他们认为修正后的程序比朴素方法更诚实地暴露了这种模型局限性，因为后者通过人为压缩潜在空间来掩盖失配。该框架被呈现为未来扩展到双曲潜在空间、图论模型（graphon models）以及带有协变量的模型的基础，前提是满足条件边独立性的假设。