[論文レビュー] Modeling of Dynamic Networks based on Egocentric Data with Durational Information

Pavel N. Krivitsky|arXiv (Cornell University)|Mar 14, 2022

Adolescent Sexual and Reproductive Health被引用数 7

ひとこと要約

本稿では、期間情報を含むエゴセントリックにサンプリングされたデータを用いて、動的ソーシャルネットワークをモデル化する手法を提案する。分離型時系列ERGM（STERGM）フレームワークを活用し、長期的なネットワーク特性を推定する。均衡に基づく推論を動的モデルに拡張し、縦断的エゴセントリックデータからパラメータを適合可能にすることで、観察されたネットワークを潜在的な動的プロセスの定常分布とみなす。

ABSTRACT

Modeling of dynamic networks -- networks that evolve over time -- has manifold applications in many fields. In epidemiology in particular, there is a need for data-driven modeling of human sexual relationship networks for the purpose of modeling and simulation of the spread of sexually transmitted disease. Dynamic network data about such networks are extremely difficult to collect, however, and much more readily available are egocentrically sampled data of a network at a single time point, with some attendant information about the sexual history of respondents. Krivitsky and Handcock (2014) proposed a Separable Temporal ERGM (STERGM) framework, which facilitates separable modeling of the tie duration distributions and the structural dynamics of tie formation. In this work, we apply this modeling framework to this problem, by studying the long-run properties of STERGM processes, developing methods for fitting STERGMs to egocentrically sampled data, and extending the network size adjustment method of Krivitsky, Handcock, and Morris (2011) to dynamic models.

研究の動機と目的

• 完全なネットワークデータが入手できない状況下で、感染症拡散シミュレーションに適した動的性的関係ネットワークをモデル化する課題に取り組む。
• 縦断的ネットワーク系列やイベントレベルのデータに依存するという制限を克服し、これらはしばしば収集が現実的でない。
• 縁の長さと性的歴史を含む横断的エゴセントリックデータから、動的ネットワークプロセスの推論を可能にする。
• 観察されたネットワークをモデルの定常分布からの抽出とみなすことにより、エゴセントリックデータからSTERGMパラメータを推定するフレームワークを構築する。
• Krivitskyら（2011）のネットワークサイズ調整法を動的モデルに拡張し、母集団サイズの変動に対してよりスケーラブルかつロバストにする。

提案手法

• STERGMフレームワークを、縁形成と解体のそれぞれに別々のERGMを用いる分離型モデルとして形式化する。
• 観察されたエゴセントリックデータを、STERGMプロセスの定常分布の実現とみなすことで、均衡に基づく推論を可能にする。
• 均衡グラフモデル最大エントロピー（EGMME）手法を動的モデルに適応し、シミュレーテッド・アニーリングを用いて実証的ターゲット統計と一致させる。
• 平均単一関係継続期間のような期間に敏感な統計量を組み込み、形成と解体の影響を分離可能にする。
• アクターの老化や置換といったシミュレートされたバイタルダイナミクスを用いて、人口動態の変化下でもモデルの定常性を維持する。
• 一般化モーメント法推定（GMME）を用い、実証的統計とモデル予測統計を一致させることで、モデルパラメータを推定する。

実験結果

リサーチクエスチョン

• RQ1 縦断的ネットワークデータが完全に入手できない状況下でも、期間情報を含むエゴセントリックにサンプリングされたデータに、動的ネットワークモデルを信頼性高く適合させることは可能か？
• RQ2 横断的データからの推論を支援するため、STERGMの長期的特性はどのように特徴づけられるか？
• RQ3 ネットワークサイズ調整法を動的モデルにどの程度まで拡張可能か、母集団サイズの変動に対してロバストであるかを検証する。
• RQ4 期間に敏感な統計量は、性的パートナーシップネットワークにおける単一関係の影響を、縁形成と解体の両方で分離可能か？
• RQ5 老化やアクターの入れ替えといったバイタルダイナミクスを推論プロセスに組み込むことで、モデルの定常性を維持する方法は何か？

主な発見

• EGMME手法により、観察されたネットワークをモデルの定常分布からの抽出とみなすことで、エゴセントリックデータにSTERGMを適合可能にする。
• 本手法は、シミュレートされたおよび実際のエゴセントリックデータから、単一関係や縁の継続期間に関連する主要なネットワークパラメータを的確に回復できた。
• 平均単一関係継続期間のような期間に敏感な統計量を組み込むことで、形成と解体の影響の識別が向上した。
• Krivitskyら（2011）のネットワークサイズ調整法は動的モデルに拡張可能であり、母集団サイズの変動に対してよりロバストであることが示された。
• シミュレーションにより、適切なパrameter化のもとで、モデルがネットワークサイズに依存しない不変性を示し、スケーラブルな推論を可能にした。
• 短期的な関係歴しか入手できない状況下でも、単一関係の状態と継続期間が記録されていれば、本手法は依然として実用的である。