技术摘要：网络结构的后选择推断

1. 问题陈述

研究人员经常通过测量特定代理群体（如社群、市场或核心-外围结构）之间连接的密度来表征社会和经济网络。一个关键问题在于，这些群体很少是预先固定的；它们通常是根据网络数据本身，利用聚类算法、中心性度量或视觉观察来选择的。

将这些基于数据选择的群体视为固定群体的传统推断程序，未能考虑到选择过程。这会导致置信区间失效，从而夸大了特定网络结构的证据。正如论文中的动机示例所示，一个 Erdős–Rényi 随机图（其本身没有内在结构）在通过谱聚类选择群体时，可能会表现出具有统计显著性的核心-外围结构，这仅仅是由于选择算法放大了特异性噪声。

本文旨在解决构建关于两个群体间预期连接比例（密度）$\theta(G_1, G_2)$ 的置信区间的问题，即使当群体 $(G_1, G_2)$ 是以数据依赖的方式选择时，这些区间依然保持有效。

2. 方法论与模型

2.1 模型设定

作者定义了一个由两组代理组成的网络，其维度分别为 $N_1$ 和 $N_2$。网络由邻接矩阵 $Y$ 表示，其中条目 $Y_{ij}$ 是实值随机变量。该模型假设：

• 条件独立性： 在给定 $\sigma$-代数 $\mathcal{H}$（代表潜在异质性、代理特征或链路协变量）的条件下， $Y$ 的各条目是独立的，但不一定是同分布的。
• 有界支撑： $Y$ 的条目被限制在 $[-B, B]$ 范围内。
• 网络结构： “结构”由条件均值矩阵 $\mu = E[Y|\mathcal{H}]$ 定义。目标是推断 $\mu$ 的函数，即群体密度：
  $$\theta(G_1, G_2) = \frac{1}{M_1 M_2} \sum_{i \in [N_1], j \in [N_2]} \mu_{ij} G_{i,1} G_{j,2}$$
  其中 $G_{t}$ 是表示群体成员身份的二值向量，$M_t$ 是群体规模。

2.2 推断挑战

群体 $G_1$ 和 $G_2$ 是可能依赖于 $Y$ 的随机向量。论文指出，为了确保对整个许可群体分配索引集 $\mathcal{G}_c$（其中群体规模远离零）的**同时覆盖（simultaneous coverage）**具有有效性，必须实现该覆盖。

• 要求： 集合 $\{CI(g_1, g_2; \alpha)\}_{(g_1, g_2) \in \mathcal{G}_c}$ 必须满足：
  $$\liminf_{N_1, N_2 \to \infty} P\left( \bigcap_{(g_1, g_2) \in \mathcal{G}_c} \{ \theta(g_1, g_2) \in CI(g_1, g_2; \alpha) \} \right) \geq 1 - \alpha$$
• 含义： 如果实现了同时覆盖，那么对于任何数据依赖的选择规则 $(G_1, G_2)$，所得出的区间都是有效的后选择区间。

3. 提出的置信区间

论文开发了两种不同的置信区间，两者在规模上均适用于大型网络，但在理论性质和构建方式上有所不同。

3.1 第一种区间（Berk 等人的策略）

该区间遵循 Berk 等人 (2013) 用于后选择推断的策略。

• 构建： 它从基于点估计 $\hat{\theta}$ 和标准误的常规区间开始，然后通过膨胀临界值来确保同时覆盖。
• 公式：
  $$CI_1(g_1, g_2; \alpha) = \hat{\theta}(g_1, g_2) \pm \frac{K_1(\alpha) \hat{\sigma}(g_1, g_2)}{\sqrt{m_1 m_2}}$$
  其中 $K_1(\alpha) \approx \sqrt{1.39(N_1 + N_2) - 2\ln(\alpha/2)}$。
• 假设： 需要对方差的一个“强”假设（假设 2(s)），这意味着任何一对群体上的平均方差不会消失得过快。
• 性能： 虽然有效，但该区间的宽度可能比实际需要的要宽得多，特别是在稀疏或度异质的网络中，因为它随 $\sqrt{N_1 + N_2}$ 缩放。

3.2 第二种区间（Talagrand 型集中不等式）

该区间利用了经验过程集中不等式的创新应用。

• 构建： 它使用 Talagrand 型不等式 (Klein and Rio, 2005) 结合矩阵范数界限 (Alon and Naor, 2006; Gittens and Tropp, 2009)，直接限制最大估计误差 $\max_{(g_1, g_2)} |\hat{\theta} - \theta|$。
• 公式：
  $$CI_2(g_1, g_2; \alpha) = \hat{\theta}(g_1, g_2) \pm \frac{\hat{\bar{\tau}} + K_2(\alpha)\hat{V}}{m_1 m_2}$$
  其中 $\bar{\tau}$ 和 $V$ 是由误差矩阵 $\epsilon$ 的期望范数导出的量。
• 假设： 仅需要对方差的一个“弱”假设（假设 2(w)），该假设仅排除了“极度稀疏”的网络。
• 性能： 该区间能够适应网络的异质性。研究表明，对于更广泛的一类区间，它在宽度方面是渐近最优的（在常数因子范围内）。

4. 主要结果与贡献

4.1 有效性

两种区间都被证明是普遍有效的后选择（universally valid post-selection）。它们保证了在所有相对规模非零的群体对上的同时覆盖，无论这些群体是如何被选择的（例如，通过聚类、中心性或视觉观察）。

4.2 最优性与宽度

一个核心技术贡献是推导了包含点估计的任何同时有效置信区间的渐近宽度下界。

• 命题 3： 表明第一种区间 ($CI_1$) 仅在受限的“点估计 $\pm$ 临界值 $\times$ 标准误”形式的区间类中，在常数因子内是优的。
• 命题 4： 表明第二种区间 ($CI_2$) 对于任何包含点估计的区间，在达到 sup-norm 速率方面是优的（在常数因子内）。
• 比较： 在同质网络（如 Erdős–Rényi 网络）中，$CI_1$ 和 $CI_2$ 的宽度相当。然而，在稀疏或度异质的网络（在经济研究中很常见）中，$CI_1$ 可能比 $CI_2$ 宽得多，因为 $CI_1$ 未能适应邻接矩阵中特定行/列的变异集中情况。

4.3 实证说明

论文通过三个数据集展示了后选择修正的实际影响：

1. 社会资本 (Facebook100)： 同质性分析。虽然常规区间表明在许多维度（性别、专业等）上存在显著的同质性，但经过修正后的区间 ($CI_1$ 和 $CI_2$) 显示，性别和专业的同质性证据消失了，而毕业年份和学生/教师身份的证据仍然稳健。
2. 冲击传播 (贸易网络)： 中心-外围结构的分析。使用度、特征向量和 Bonacich 中心性的中心-外围结构证据在修正后依然存在，表明贸易网络具有稳健的结构特征。
3. 市场竞争 (工人转型)： 不相交市场细分的分析。常规区间表明存在强烈的市场分割证据。然而，在修正后，区间延伸到了零，表明明显的分割可能是聚类算法和特异性噪声的产物，而非真正的结构特征。

5. 重要性与主张

本文声称是第一个为推断中依赖于数据的群体这一特定网络结构问题提供同时覆盖保证的研究。

• 普遍性： 所提出的方法不需要研究人员指定一个用于群体选择的模型，也不需要承诺特定的选择规则。它对于“看到即知是社群”的方法是有效的。
• 可扩展性： 两种区间在计算上都非常简单且适用于大规模网络，避免了在指数级数量的群体对上计算最大 t-统计量的复杂性。
• 实践必要性： 实证说明展示了如果不考虑选择过程会导致什么后果（例如，“幻觉”出的结构，如虚假的市场细分，或夸大证据）。论文得出结论，研究人员在利用聚类算法推断市场细分时，应谨慎使用，除非进行了后选择修正。
• 方法论进步： 通过确立 Talagrand-based 区间 ($CI_2$) 是速率最优（rate-optimal）并能适应网络稀疏性的，本文为异质网络提供了一种优于传统“膨胀”方法的替代方案。