A Stochastic Block Prior for Clustering in Graphical Models

Preprint sobre la integración de Modelos de Bloques Estocásticos (SBM) en modelos gráficos bayesianos para detectar clustering en redes de variables psicológicas. El trabajo aborda una brecha metodológica: los procedimientos actuales de estimación estadística de modelos gráficos no incorporan el supuesto de clustering (agrupación de variables densamente conectadas), pese a su relevancia en teorías psicológicas. Los autores proponen usar SBM como distribución previa sobre la estructura de red, asumiendo que las variables pertenecen a clusters latentes donde la probabilidad de arista depende de la membresía de los nodos. Esto permite incorporar formalmente expectativas teóricas sobre clustering, probar hipótesis sobre el número de clusters y estimar asignaciones a partir de datos transversales. La propuesta se valida mediante simulaciones y análisis de 30 conjuntos de datos empíricos abiertos, demostrando cómo el marco bayesiano puede embeber supuestos teóricos en modelos de red mediante distribuciones previas.

Puntos clave

• El Modelo de Bloques Estocástico embebido como prior bayesiano permite detectar clustering en redes psicológicas, formalizando supuestos teóricos sobre agrupación de variables.
• Los procedimientos estadísticos tradicionales de modelos gráficos omiten el clustering, a pesar de que este concepto es central en muchas teorías psicológicas sobre sistemas de variables.
• El enfoque bayesiano posibilita probar hipótesis sobre el número de clusters y estimar asignaciones de variables a clusters latentes a partir de datos transversales.

Para quién: Investigadores en análisis de redes psicológicas y modelado gráfico que deseen incorporar estructura de clustering teóricamente motivada en sus modelos y validar hipótesis sobre agrupación latente de variables.