[论文解读] Maximum likelihood estimation for social network dynamics

Tomas A. B. Snijders, Johan Koskinen+1 more|arXiv (Cornell University)|Nov 8, 2010

Opinion Dynamics and Social Influence被引用 7

一句话总结

该论文提出了一种基于连续时间马尔可夫链的极大似然估计（MLE）方法，用于社交网络动态建模，采用有向图上的演员导向过程来描述关系变化。通过结合数据增广与随机近似及MCMC抽样，该方法高效地估计了参数，并在小样本情况下相较于矩法（MoM）展现出更优的统计效率，从而支持基于似然的模型选择与假设检验。

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.

研究动机与目标

• 开发一种在连续时间马尔可夫链模型下，针对纵向社交网络数据的统计高效极大似然估计器。
• 解决现有矩法（MoM）估计器效率较低且缺乏正式似然推断的局限性。
• 通过提供一致的MLE框架，实现基于似然的模型选择与假设检验。
• 将演员导向模型扩展至支持更高阶依赖关系（如传递性），这些关系在真实社交网络中普遍存在。
• 实现一种计算上可行的MCMC算法，以对观测波次之间的未观测变化进行积分。

提出的方法

• 将网络演化建模为所有有向图空间上的连续时间马尔可夫过程，关系变化由演员导向动态机制控制。
• 使用数据增广法，将观测面板之间未观测到的中间网络状态视为隐变量。
• 应用随机近似（Robbins–Monro算法）通过蒙特卡洛样本对隐含网络轨迹迭代更新参数估计。
• 采用MCMC抽样，通过给定观测数据与当前参数生成未观测网络变化的条件抽样，以近似似然函数。
• 在似然计算中整合未观测变化之间的等待时间，相比先前方法提升了模拟效率。
• 使用路径抽样（热力学积分）近似计算嵌套模型之间的对数似然比，用于假设检验。

实验结果

研究问题

• RQ1 当观测稀疏且离散时，极大似然估计能否有效应用于纵向社交网络数据？
• RQ2 在小样本条件下，MLE的统计效率与矩法（MoM）估计器相比如何？
• RQ3 MLE在多大程度上能够支持基于似然的模型选择与假设检验？
• RQ4 基于MCMC的数据增广与随机近似能否为复杂演员导向模型提供一致且收敛的参数估计？
• RQ5 所提出的MLE算法在实际应用中的计算可行性与收敛行为如何？

主要发现

• 在小样本模拟中，MLE方法的统计效率显著高于MoM估计器，尤其在均方根误差方面表现更优。
• 对于实证友谊网络数据，MLE算法实现了可靠收敛，但计算时间较长——在标准PC上每次估计耗时约35分钟。
• 基于路径抽样的似然比检验得出检验量为18.7，因此在显著性水平α < 0.01下拒绝原假设（即参数在两个时间区间内保持不变）。
• 模拟研究结果表明，对于小样本数据集，MLE在统计功效与效率方面优于MoM，且随着样本量增加，优势逐渐减弱。
• 该算法计算量较大但可行，收敛性稳定，仅在小样本与高参数数量情况下可能出现问题。
• 该方法实现了基于似然的推断，包括模型选择与假设检验，这些在以往仅使用MoM或贝叶斯方法时均难以实现。