Análisis Comparativo de Métodos de Estimación en Modelos de Espacio Latente para Redes Sociales Dinámicas

Abstract

El modelado y análisis de redes sociales dinámicas permiten capturar la evolución temporal de las relaciones entre los actores. Una de sus principales limitaciones es el costo computacional. En este estudio, se realiza un análisis comparativo del costo computacional, la calidad de ajuste y el poder predictivo de modelos de espacio latente en grandes conjuntos de datos de redes sociales dinámicas, usando distintos enfoques: el método basado en Cadenas de Markov Monte Carlo (MCMC) propuesto por Sewell y Chen (2015a) para modelos de espacio latente dinámico que incluye efectos de popularidad y el enfoque de Gollini y Murphy (2016), que emplea modelos de espacio latente para redes multicapa con inferencia variacional (IV). Este ´ultimo no modela explícitamente la dependencia temporal, pero ofrece un buen ajuste en escenarios donde la evolución de la red es capturada a través de estructuras latentes. (Texto tomado de la fuente) Los métodos se aplican tanto a redes simuladas, que permiten evaluar su comportamiento en escenarios controlados, como a datos reales del conflicto armado en Colombia, donde se analizan las interacciones entre municipios vinculados por la presencia simultanea de cultivos ilícitos y eventos de violencia atribuida a grupos armados, donde se identifican patrones de asociación territorial y evolución de la violencia en el marco del conflicto armado asociado con la presencia de cultivos ilícitos en los años 2015-2023.

The modeling and analysis of dynamic social networks allow capturing the temporal evolution of relationships among actors. One of their main limitations is the computational cost. In this study, we conduct a comparative analysis of computational cost, goodness of fit, and predictive power of latent space models on large dynamic social network datasets, using different approa- ches: the Markov Chain Monte Carlo (MCMC)-based method proposed by Sewell and Chen (2015a) for dynamic latent space models that include popularity effects, and the approach of Gollini and Murphy (2016), which employs latent space models for multilayer networks with variational inference (VI). The latter does not explicitly model temporal dependence but pro- vides a good fit in scenarios where the evolution of the network is captured through latent structures. The methods are applied both to simulated networks, which allow evaluating their performance in controlled scenarios, and to real data from the Colombian armed conflict, where interactions between municipalities linked by the simultaneous presence of illicit crops and violent events attributed to armed groups are analyzed, identifying patterns of territorial association and the evolution of violence in the context of the armed conflict associated with illicit crop presence during the years 2015-2023