Modelos marginales con efectos específicos de individuos para el análisis de redes bipartitas longitudinales

Resumen Se propone un nuevo marco de modelado para redes sociales bipartitas que surgen de una secuencia de eventos relacionales parcialmente ordenados en el tiempo. Modelamos directamente la distribución conjunta de las variables binarias que indican si cada actor individual está involucrado o no en un evento. La parametrización adoptada se basa en efectos de primer y segundo orden, formulados como en modelos marginales para datos categóricos y efectos de orden superior libres. En particular, los efectos de segundo orden son razones de log-odds con una interpretación significativa desde la perspectiva social en términos de tendencia a cooperar, en contraste con los efectos de primer orden interpretados en términos de la tendencia de cada actor individual a participar en un evento. Estos efectos se parametrizan sobre la base de los tiempos de los eventos, de manera que se pueden representar trayectorias latentes adecuadas de comportamientos individuales. La inferencia se basa en una función de verosimilitud compuesta, maximizada por un algoritmo con complejidad numérica proporcional al cuadrado del número de unidades en la red. Se utiliza una verosimilitud compuesta de clasificación para agrupar a los actores, simplificando la interpretación de la estructura de los datos. El enfoque propuesto se ilustra con datos simulados y con un conjunto de datos de artículos científicos publicados en cuatro revistas estadísticas de alto nivel desde 2003 hasta 2012.