Joint Multiple Imputation of Node Attributes and Network Ties in R
本文介绍了 `netimpute`，这是一个 R 语言程序包，它通过在链式方程框架内整合结构同质性度量、二元回归和序列吉布斯采样方法，将结构同质性度量、二元回归和序列吉布斯采样法整合进链式方程框架，从而共同填补社交网络中缺失的节点属性和网络连边，旨在解决现有分离填补方法的局限性。
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
想象一下，你正在试图解决一个巨大的、错综复杂的拼图，其中每一块碎片都是一个人，而他们构成的图像则是一个社交网络。在这个世界里，科学家们研究人们如何连接——比如谁和谁是朋友，谁向谁寻求建议，以及这些人是什么样的（他们的年龄、职业或性格）。但问题在于，在现实世界中，人们经常忘记填满拼图的某些部分。有时一个人没有回答关于年龄的问题（缺失的“属性”），有时他们不记得自己有哪些朋友（缺失的“联系”）。
长期以来，研究人员必须使用两套不同的工具包来修复这些空白。一个工具包擅长猜测缺失的个人细节，比如在表格中填补空白的年龄；另一个工具包则旨在猜测缺失的联系，比如判断两个人是否是朋友。问题在于，这两个问题是深度交织在一起的。你无法在不知道谁是朋友的情况下猜出某人的年龄（因为朋友通常年龄相仿），你也无法在不知道某人年龄的情况下猜出两人是否是朋友（因为人们倾向于结交与自己相似的人）。试图在忽略另一方的同时修复其中一方面的过程，就像是在只测量面粉却忘了加鸡蛋的情况下烤蛋糕一样；结果很可能是一团糟。这篇论文介绍了一种新的、聪明的工具，旨在一次性烤好整个蛋糕。
这篇论文介绍了 netimpute，这是一个用于 R 语言的全新软件包，它扮演着社交网络中超级聪明侦探的角色。它并不将缺失的个人细节和缺失的友谊视为两个独立的谜题，而是通过一个单一的循环过程将它们共同解决。你可以把它想象成一场“传声筒”游戏，侦探不断更新他们的故事。首先，他们根据所涉及人员的已知信息来猜测一段缺失的友谊。然后，他们利用这段新发现的友谊来猜测一个缺失的年龄。接着，他们利用这个新年龄去猜测另一段友谊，以此类类推。通过每一个步骤，侦探都在精炼他们的猜测，使整个画面变得更加清晰和一致。
作者构建这个工具是为了应对社交数据的混乱现实。他们通过模拟一个拥有 40 人组织的研究展示了该方法的有效性，该组织包含两种类型的连接（友谊网络和建议网络）以及四种类型的个人数据（年龄、性别、部门和绩效）。他们故意“破坏”了数据，隐藏了一些年龄和一些友谊，然后使用 netimpute 来填补空白。结果表明，该工具成功地重建了缺失的部分，并在循环进行猜测的过程中，保持了网络结构（例如有多少人是孤立的，或者群体是如何连接的）的稳定性和真实性。
netimpute 的特别之处在于它如何处理“鸡生蛋还是蛋生鸡”的问题。它使用了一种称为“联合多重插补”（joint multiple imputation）的技术，这意味着它不仅仅是用一个猜测来填补空白，而是创建了几个不同的、看似合理的版本的数据，以解释不确定性。它是通过在“人”与“连接”之间来回循环来实现这一点的。当它猜测一段缺失的友谊时，它会观察每个人属性的当前状态。当它猜测一个缺失的属性时，它会观察网络的当前状态。至关重要的是，它逐一更新这些猜测，在进行下一步之前，先检查每一个新猜测对网络其他部分产生的“涟漪”。这确保了最终的图像不会出现奇怪的矛盾，比如一个人竟然和一个在数据中并不存在的人是朋友。
论文还强调了该工具不做的事情，这同样重要。它并不是一个可以取代网络专家用于研究深层结构模式的复杂、重型数学模型的“魔杖”。作者明确表示，虽然 netimpute 速度很快且非常擅长清理数据，但与那些更严谨、更耗时的研究方法相比，它是一种“快速且粗略”（在好的意义上）的近似法。此外，它目前拒绝处理“有向/符号化”网络（即连接可以是正向的（友谊）或负向的（敌对））——因为处理负数会让数学计算变得过于复杂。相反，它建议将这些网络拆分为两个独立的堆栈（朋友和敌人），并分别修复它们。
最后，netimpute 为修复破碎的社交网络数据提供了一种实用的、统一的方法。它承认，在现实世界中，我们是谁以及我们认识谁是密不可分的，并且它提供了一种在不陷入“将两者视为独立问题”陷阱的前提下，同时修复这两者的途径。通过循环进行猜测并不断更新故事，它帮助研究人员获得一个更清晰、更准确的社交世界图景，即使在数据不完整的情况下也是如此。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。