面向二值与计数网络数据的潜收缩位置模型

行动者之间的交互常用网络表示。潜位置模型被广泛用于分析网络数据，其中每个行动者被定位于一个潜空间中。推断该空间的维度具有挑战性。通常出于简便使用二维，或采用模型选择准则来选取维度，但这需要选择准则并承担拟合多个模型的计算开销。本文提出潜收缩位置模型 (LSPM)，其内在地推断潜空间的有效维度。LSPM 采用贝叶斯非参数乘性截断伽马过程先验，确保潜位置在更高维度上的方差收缩。具有不可忽略方差的维度被认为最有助于描述观测网络，从而诱导出对潜空间维度的自动推断。尽管 LSPM 适用于多种网络类型，本文针对二值网络和计数网络分别发展了 logistic 与 Poisson LSPM。推断通过马尔可夫链蒙特卡洛算法进行，其中新颖的代理提议分布降低了计算负担。LSPM 的性质通过模拟研究评估，并通过应用于真实网络数据集展示其效用。开源软件有助于 LSPM 的更广泛应用。