[논문 리뷰] Maximum likelihood estimation for social network dynamics

Tomas A. B. Snijders, Johan Koskinen외 1명|arXiv (Cornell University)|2010. 11. 08.

Opinion Dynamics and Social Influence인용 수 7

한 줄 요약

이 논문은 방향성 있는 그래프 위에서 연속시간 마르코프 체인을 사용하여 사회적 네트워크 동역학을 위한 최대우도추정(MLE) 방법을 제안한다. 간선 변화는 작용자 중심의 과정으로 모델링되며, 데이터 보정과 확률적 근사, MCMC 샘플링을 결합하여 파라미터를 효율적으로 추정한다. 이 방법은 특히 작은 표본에서 모멘트법(MoM)보다 뛰어난 통계적 효율성을 보이며, 우도 기반의 모델 선택과 가설 검정을 가능하게 한다.

ABSTRACT

A model for network panel data is discussed, based on the assumption that the observed data are discrete observations of a continuous-time Markov process on the space of all directed graphs on a given node set, in which changes in tie variables are independent conditional on the current graph. The model for tie changes is parametric and designed for applications to social network analysis, where the network dynamics can be interpreted as being generated by choices made by the social actors represented by the nodes of the graph. An algorithm for calculating the Maximum Likelihood estimator is presented, based on data augmentation and stochastic approximation. An application to an evolving friendship network is given and a small simulation study is presented which suggests that for small data sets the Maximum Likelihood estimator is more efficient than the earlier proposed Method of Moments estimator.

연구 동기 및 목표

• 연속시간 마르코프 체인 모델 하에서 종단적 사회적 네트워크 데이터에 대해 통계적으로 효율적인 최대우도추정기(MLE)를 개발하기 위해.
• 기존의 모멘트법(MoM) 추정기의 한계를 해결하기 위해, 이는 효율성이 떨어지고 공식적인 우도 기반 추론이 부족하기 때문이다.
• 일致한 MLE 프레임워크를 제공함으로써 우도 기반의 모델 선택과 가설 검정을 가능하게 하기 위해.
• 실제 사회적 네트워크에서 흔한 전이성과 같은 고차원 의존성을 허용하기 위해 작용자 중심 모델을 확장하기 위해.
• 패널 웨이브 간의 관측되지 않은 변화를 통합하는 계산적으로 실현 가능한 MCMC 알고리즘을 구현하기 위해.

제안 방법

• 모든 방향성 있는 그래프의 공간에서 연속시간 마르코프 과정으로 네트워크 진화를 모델링하며, 간선 변화는 작용자 중심의 동역학에 의해 결정된다.
• 관측되지 않은 중간 네트워크 상태를 잠재 변수로 간주하기 위해 데이터 보정을 사용한다.
• 몬테카를로 샘플링을 통한 잠재 네트워크 경로의 추정치를 반복적으로 업데이트하기 위해 확률적 근사(Robbins–Monro 알고리즘)를 적용한다.
• 관측된 데이터와 현재 파라미터를 조건으로 하여 관측되지 않은 네트워크 변화의 조건부 샘플을 생성함으로써 우도를 근사하기 위해 MCMC 샘플링을 사용한다.
• 관측되지 않은 변화 간의 대기 시간을 우도 계산에 통합함으로써, 이전 방법보다 시뮬레이션 효율성을 향상시킨다.
• 경로 샘플링(열역학적 통합)을 사용하여 중첩된 모델 간의 로그우도비를 근사함으로써 가설 검정을 수행한다.

실험 결과

연구 질문

• RQ1 관측이 희박하고 이산적인 경우 종단적 사회적 네트워크 데이터에 대해 최대우도추정이 효과적으로 적용될 수 있는가?
• RQ2 작은 표본 설정에서 MLE의 통계적 효율성은 모멘트법(MoM) 추정기와 비교해 어떻게 되는가?
• RQ3 MLE는 네트워크 동역학에서 얼마나 우호적인 우도 기반의 모델 선택과 가설 검정을 지원할 수 있는가?
• RQ4 MCMC 기반의 데이터 보정과 확률적 근사를 통해 복잡한 작용자 중심 모델에 대해 일致하고 수렴하는 파라미터 추정치를 도출할 수 있는가?
• RQ5 실제로 제안된 MLE 알고리즘의 계산 가능성과 수렴 행동은 어떠한가?

주요 결과

• 작은 표본 시뮬레이션에서 MLE 방법은 특히 제곱근 평균 제곱오차 측면에서 MoM 추정기보다 더 높은 통계적 효율성을 보였다.
• 실제 우정 네트워크 데이터에 대해 MLE 알고리즘이 안정적으로 수렴했지만, 계산 시간이 상당히 소요되었으며, 표준 PC에서 추정 당 약 35분이 걸렸다.
• 경로 샘플링 기반의 우도비 검정에서 검정 통계량은 18.7이었으며, 두 시간 간격 동안 파라미터가 일정하다는 귀무가설은 기각되었고(p < 0.01), 이는 파라미터가 시간에 따라 변한다는 것을 시사한다.
• 시뮬레이션 연구 결과, MLE는 작은 데이터 세트에서 MoM보다 더 강력하고 효율적인 성능을 보이며, 표본 크기가 증가함에 따라 이 우위가 점차 줄어든다.
• 알고리즘은 계산적으로 집중적이지만 실현 가능하며, 작은 표본과 높은 파라미터 수를 가진 경우를 제외하고는 수렴이 안정적이다.
• 이 방법은 기존의 MoM 또는 베이지안 접근법만으로는 불가능했던, 우도 기반의 추론, 즉 모델 선택과 가설 검정을 가능하게 한다.