面向小网络的指数随机图模型
统计方法学
2025-09-11 v2 其他统计学
摘要
社会网络的统计模型使研究者能够研究复杂的社会现象，这些现象产生了社会行动者之间观察到的关系模式，并深入理解了社会纽带与行动者相互依赖的本质。此类研究大多聚焦于中型至大型社会群体内的社会网络。迄今为止，这些社会网络统计模型（尤其是指数族随机图模型（ERGMs））的进展很少应用于小网络的研究，尽管团队、家庭和个人网络中的小网络数据在许多领域中十分常见。在本文中，我们重新审视针对小网络的 ERGMs 估计，并建议在可能时采用穷举枚举。我们开发了一个 R 包，使用最大似然估计（MLE）实现针对小网络的合并 ERGMs 估计，称为“ergmito”。基于一项广泛的模拟研究以评估 MLE 估计量的性质，我们得出结论：与近似方法相比，直接 MLE 估计具有若干优势，并且这为可应用于使用 ERGMs 建模社会网络的有价值的方法论创新创造了机会。
引用
@article{arxiv.1904.10406,
title = {Exponential Random Graph models for Little Networks},
author = {George G. Vega Yon and Andrew Slaughter and Kayla de la Haye},
journal= {arXiv preprint arXiv:1904.10406},
year = {2025}
}