[论文解读] 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 7

一句话总结

本文提出一种方法，利用带有持续时间信息的以自我为中心的抽样数据来建模动态社交网络，借助可分离时间指数随机图模型（STERGM）框架估计长期网络属性。该方法将基于均衡的推断扩展至动态模型，通过将观测网络建模为潜在动态过程的平稳分布，实现从横截面以自我为中心的数据中拟合参数。

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.

研究动机与目标

• 解决在缺乏完整网络数据的情况下，对动态性关系网络进行建模以支持疾病传播模拟的挑战。
• 克服依赖纵向网络序列或事件级数据的局限性，这些数据通常难以收集。
• 实现从包含关系持续时间与性历史信息的横截面以自我为中心数据中推断动态网络过程。
• 开发一种框架，通过将观测网络视为模型平稳分布的实现，从以自我为中心的数据中估计 STERGM 参数。
• 将 Krivitsky 等人（2011）提出的网络规模调整方法扩展至动态模型，提升对人口规模变化的鲁棒性与可扩展性。

提出的方法

• 将 STERGM 框架形式化为可分离的建模方式，分别处理关系形成与解除过程，每个过程使用独立的 ERGM。
• 将观测到的以自我为中心的数据建模为 STERGM 过程平稳分布的实现，从而支持基于均衡的推断。
• 将均衡图模型最大熵（EGMME）方法适配至动态模型，使用模拟退火算法匹配经验目标统计量。
• 引入对持续时间敏感的统计量，如单配偶关系的平均持续时间，以区分关系形成与解除的影响。
• 使用模拟的生命动态（如个体老化与更替）来在人口结构变化下维持模型的平稳性。
• 应用广义矩估计法（GMME）通过匹配经验网络统计量与模型预测统计量来估计模型参数。

实验结果

研究问题

• RQ1 即使缺乏完整的纵向网络数据，能否可靠地将动态网络模型拟合到带有持续时间信息的以自我为中心抽样数据上？
• RQ2 如何表征 STERGM 的长期属性，以支持从横截面数据中进行推断？
• RQ3 网络规模调整方法在多大程度上可被扩展至动态模型，以确保对人口规模变化的鲁棒性？
• RQ4 对持续时间敏感的统计量能否帮助区分性伙伴关系网络中单配偶制在关系形成与解除中的影响？
• RQ5 如何将生命动态（如老化与个体更替）整合到推断过程中，以在模型中维持平稳性？

主要发现

• EGMME 方法通过将观测网络视为模型平稳分布的实现，实现了对 STERGM 的拟合。
• 该方法在模拟和真实以自我为中心的数据中，成功恢复了与单配偶制和关系持续时间相关的关键网络参数。
• 引入对持续时间敏感的统计量（如单配偶关系的平均持续时间）可改善对关系形成与解除效应的识别。
• Krivitsky 等人（2011）提出的网络规模调整方法可扩展至动态模型，增强了对人口规模变化的鲁棒性。
• 模拟结果表明，通过适当的参数化，模型在不同网络规模下保持不变性，支持可扩展的推断。
• 即使仅能获取短期关系历史，只要记录了单配偶状态与持续时间，该方法仍具可行性。