[논문 리뷰] On the question of effective sample size in network modeling

Eric D. Kolaczyk, Pavel N. Krivitsky|arXiv (Cornell University)|2011. 12. 05.

Complex Network Analysis Techniques참고 문헌 29인용 수 5

한 줄 요약

이 논문은 네트워크 모델링 내에서 효과적 표본 크기의 기초적인 질문을 조사한다. 특히 지수형 무작위 그래프 모델(ERGMs) 내에서, 네트워크가 희박한지 또는 조밀한지에 따라 최대우도 추정 파rameter의 渐近 추정 속도가 $N_v^{1/2}$에서 $N_v$로 급격히 변화함을 보여주며, 네트워크 통계에서 표본 크기의 해석 방식을 근본적으로 바꾼다.

ABSTRACT

The modeling and analysis of networks and network data has seen an explosion of interest in recent years and represents an exciting direction for potential growth in statistics. Despite the already substantial amount of work done in this area to date by researchers from various disciplines, however, there remain many questions of a decidedly foundational nature — natu-ral analogues of standard questions already posed and addressed in more classical areas of statistics — that have yet to even be posed, much less ad-dressed. Here we raise and consider one such question in connection with network modeling. Specifically, we ask, “Given an observed network, what is the sample size? ” Using simple, illustrative examples from the class of exponential random graph models, we show that the answer to this question can very much depend on basic properties of the networks expected under the model, as the number of vertices Nv in the network grows. In particu-lar, we show that whether the networks are sparse or not under our model (i.e., having relatively few or many edges between vertices, respectively) is sufficient to change the asymptotic rates for maximum likelihood parameter estimation by an order of magnitude, from N1/2v to Nv. We then explore

연구 동기 및 목표

• 관측된 네트워크가 주어졌을 때 '표본 크기는 무엇인가?'라는 네트워크 통계의 기초적인 질문에 답하기 위해
• 희박성 또는 조밀성이 지수형 무작위 그래프 모델(ERGMs) 내에서 파rameter 추정의 渐近 행동에 어떻게 영향을 미치는지 분석하기 위해
• 네트워크 구조가 통계적 추론, 특히 추정 효율성과 수렴 속도에 미치는 영향을 명확히 하기 위해
• 네트워크 데이터 분석에서 노드 수 $N_v$가 항상 표본 크기의 타당한 대체 척도로 작용한다는 가정을 도전하기 위해

제안 방법

• 파라미터 추정 행동을 분석하기 위해 지수형 무작위 그래프 모델(ERGM) 프레임워크에서 설명적 사례를 사용한다.
• 다양한 네트워크 희박성 조건 하에서 최대우도 추정기의 渐近 분포를 분석한다.
• 노드 수 $N_v \to \infty$일 때 희박한 네트워크(적은 간선)와 조밀한 네트워크(많은 간선)의 추정 속도를 비교한다.
• 파라미터 추정기의 수렴 속도를 유도하고 비교한다: 희박한 네트워크에선 $N_v^{1/2}$, 조밀한 네트워크에선 $N_v$.
• 네트워크 모델에 표준 渐近 이론을 적용하여 네트워크 구조가 통계적 추론에 미치는 영향을 평가한다.
• 파라미터 추정 효율성이 네트워크 조밀성에 따라 달라지는 것을 밝혀내기 위해 지수족 모델의 이론적 분석에 의존한다.

실험 결과

연구 질문

• RQ1 네트워크의 희박성은 지수형 무작위 그래프 모델 내에서 효과적 표본 크기에 어떻게 영향을 미치는가?
• RQ2 네트워크 모델 내에서 최대우도 추정의 渐近 속도는 무엇이며, 네트워크 구조에 따라 어떻게 변하는가?
• RQ3 네트워크 데이터 분석에서 노드 수 $N_v$만으로도 표본 크기의 타당한 척도로 간주될 수 있는가?
• RQ4 어떤 조건에서 네트워크 모델링 내에서 효과적 표본 크기가 $N_v^{1/2}$가 아니라 $N_v$로 척도가 조정되는가?
• RQ5 기본 네트워크 구조는 ERGM 내에서 파라미터 추정의 일致성과 효율성에 어떻게 영향을 미치는가?

주요 결과

• 네트워크 모델링 내에서 효과적 표본 크기는 단순히 노드 수 $N_v$가 아니라 네트워크의 희박성에 따라 결정된다.
• 희박한 네트워크에서는 최대우도 추정의 渐近 속도가 $N_v^{1/2}$이며, 이는 더 느린 수렴을 의미한다.
• 조밀한 네트워크에서는 渐近 속도가 $N_v$로 증가하여 추정 효율성에서 한 단계 높은 개선을 나타낸다.
• 희박한 네트워크 모델과 조밀한 네트워크 모델 간의 구분은 파라미터 추정의 통계적 행동에 근본적으로 다른 영향을 미친다.
• 이러한 다른 수렴 속도는 네트워크 데이터에서 통계적 검정력이나 추론을 평가할 때 네트워크 구조를 명시적으로 고려해야 한다는 것을 시사한다.
• 결과적으로, 네트워크 통계에서 $N_v$가 표본 크기의 충분한 대체 척도라고 보는 일반적인 가정을 도전한다.