الانتقال إلى المحتوى
العودة إلى نتائج البحث

نموذج الرسوم البيانية العشوائية الأسية (ERGM / p*)

قدّمه
Frank & Strauss (1986); extended by Wasserman & Pattison (1996) and Robins et al. (2007)
السنة
1986 (foundational); modern ERGM framework 1996–2007
النوع
Probabilistic generative network model

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

نموذج الرسوم البيانية العشوائية الأسية (ERGM)، المعروف أيضاً بنموذج p*، هو إطار إحصائي لتحليل الشبكات ينمذج احتمالية شبكة مُلاحظة كدالة لميزاتها الهيكلية المحلية — مثل التبادلية، والمثلثات، وتوزيع الدرجات. تم تطويره من العمل التأسيسي لـ Frank و Strauss (1986) وتم توسيعه إلى الإطار الحديث بواسطة Wasserman و Pattison (1996) و Robins وآخرون (2007)، ويُعد ERGM المعيار الاستدلالي لتحليل الشبكات الاجتماعية، وهو قادر على اختبار ما إذا كانت الهياكل الشبكية المُلاحظة تنشأ بالصدفة أم أنها تعكس عمليات اجتماعية حقيقية.

الفكرة الحدسية وراء الطريقة

عند النظر إلى شبكة اجتماعية — رسم بياني للصداقة، شبكة تعاون، نسيج استشهادات — تلاحظ أنماطاً: أصدقاء الأصدقاء يميلون إلى أن يصبحوا أصدقاء لأنفسهم، والممثلون المشهورون يجذبون المزيد من الروابط، والعلاقات غالباً ما تكون متبادلة. يطرح ERGM سؤالاً أساسياً: هل هذه الأنماط أكثر انتشاراً مما تتوقعه بالصدفة وحدها؟ يقوم بذلك عن طريق معاملة الشبكة المُلاحظة بأكملها كنتيجة واحدة مستمدة من توزيع احتمالي، حيث تعتمد احتمالية تلك الشبكة على عدد مرات وجود تكوينات هيكلية مختارة (مثلثات، روابط متبادلة، أشكال نجمية) فيها. التكوينات ذات المعاملات الإيجابية أكثر احتمالاً للحدوث من الصدفة؛ المعاملات السلبية تعني أن هذه التكوينات يتم تجنبها بنشاط. لا يتم تقدير النموذج بالانحدار العادي ولكن بمحاكاة سلسلة ماركوف مونت كارلو (Markov chain Monte Carlo)، التي تولد آلاف الشبكات المعقولة لمقارنتها بالشبكة المُلاحظة.

التاريخ

تعود الأسس الاحتمالية لـ ERGM إلى نموذج p1 لـ Holland و Leinhardt (1981)، الذي فسر التبادلية في الشبكات الموجهة. قام Frank و Strauss (1986) بتوسيع ذلك إلى إطار الرسوم البيانية العشوائية لماركوف القادر على التقاط الاعتماد من الرتب العليا مثل المثلثات، وصاغوا ما سيُطلق عليه لاحقاً نموذج p*. قام Wasserman و Pattison (1996) بتشكيل التمثيل العائلي الأسي وأعطوا النموذج اسمه الحالي. جاء تقدم حاسم عندما قدم Snijders (2002) تقدير MCMC-MLE، مما جعل الملاءمة العملية ممكنة. ساهم Robins وآخرون (2007) في إحصائيات العائلة الأسية المنحنية — وخاصة GWESP و GWD — التي قللت بشكل كبير من الانحلال وفتحت الطريقة للاستخدام التطبيقي الروتيني. أصبحت مجموعة statnet في R، التي طورها Handcock و Hunter و Butts و Goodreau و Morris، التنفيذ الحسابي القياسي.

متى تُستخدم

يُعد ERGM مناسباً عندما يكون لديك شبكة مُلاحظة واحدة (لقطة مقطعية أو طولية) وتريد اختبار العمليات الهيكلية المحلية — التبادلية، التجميع، الارتباط التفضيلي، التشابه — التي أنتجتها. يجب أن تكون الشبكة صغيرة إلى متوسطة الحجم؛ يصبح تقارب MCMC صعباً للشبكات الكبيرة جداً (آلاف العقد). يتطلب النموذج روابط ثنائية موجهة أو غير موجهة (توجد متغيرات موزونة ولكنها أكثر تعقيداً). إنه غير مناسب عندما تحتوي الشبكة على أقل من حوالي 20-30 عقدة، أو عندما لا يكون لديك فرضيات نظرية واضحة حول التكوينات الهيكلية، أو عندما تحتاج إلى نمذجة ديناميكيات الوقت المستمر (استخدم ERGM الزمني أو نموذج الممثل العشوائي بدلاً من ذلك).

الحدود والاعتبارات

  • يمكن أن يكون تقدير MCMC بطيئاً وقد يفشل في التقارب للشبكات الكبيرة؛ الحدود العملية عادة ما تكون بضع مئات إلى بضعة آلاف من العقد.
  • الانحلال النموذجي — حيث يضع النموذج المقدر كل الاحتمالية تقريباً على الشبكات الفارغة أو الكاملة — هو خطر مستمر يتطلب اختياراً دقيقاً للإحصائيات.
  • تم تصميم النموذج بشكل أساسي للقطات المقطعية؛ نمذجة ديناميكيات الشبكة الحقيقية تتطلب امتدادات مثل ERGM الزمني (TERGM) أو نماذج الممثل العشوائي (SAOMs).
  • يتطلب حداً أدنى يبلغ حوالي 30 عقدة لتقدير موثوق للمعاملات؛ الشبكات الصغيرة جداً تعطي تقديرات غير مفيدة.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يوفر استدلالاً إحصائياً رسمياً — قيم p، وأخطاء معيارية، وبيانات ثقة — لفرضيات هيكل الشبكة.
  • يتعامل مع عدم استقلالية روابط الشبكة التي تنتهك افتراضات الانحدار القياسي، مما يجعله الأداة الاستدلالية الصحيحة لبيانات الشبكة.
  • مواصفات مرنة: المتغيرات الموجهة، وغير الموجهة، وثنائية التفرع، والموزونة تسمح بتغطية أنواع عديدة من الشبكات.
  • تمنح تشخيصات ملاءمة النموذج طريقة مبدئية لتقييم ما إذا كان النموذج يعيد إنتاج هيكل الشبكة العام من الإحصائيات المحلية.

التطبيقات

  • شرح تكوين الروابط في شبكات المشورة التنظيمية — اختبار ما إذا كان الأشخاص يبحثون عن المشورة من الآخرين ذوي المكانة المماثلة أو من أولئك الذين هم أصدقاء لهم بالفعل.
  • نمذجة أنماط التعاون بين الباحثين — ما إذا كان التأليف المشترك يتشكل من خلال الانتقالية (أصدقاء الأصدقاء) أو مدفوعاً بالانتماء المؤسسي.
  • علم الأوبئة والصحة العامة — تحديد الميزات الهيكلية لشبكات الاتصال الجنسي التي تتنبأ بمسارات انتقال الأمراض.
  • العلاقات الدولية — اختبار ما إذا كان تكوين التحالف متبادلاً، أو انتقالياً، أو مدفوعاً بسمات مشتركة مثل الديمقراطية أو الاعتماد التجاري.
  • أبحاث منصات التواصل الاجتماعي عبر الإنترنت — التمييز بين ما إذا كان التجميع المُلاحظ وانحراف الدرجات في شبكات المتابعين هي ميول هيكلية أم مجرد نواتج خوارزميات المنصة.

كيف يعمل

كيف يعمل

1

يقوم المحلل بتجميع بيانات الشبكة — العقد، والحواف، وأي سمات للعقد أو الحواف — ويقرر ما إذا كانت الشبكة موجهة أم غير موجهة. الحد الأدنى للحجم الموصى به هو حوالي 30 عقدة؛ الشبكات الأصغر لا تعطي تقديرات موثوقة للمعاملات. يتم تحديد الميزات الهيكلية ذات الأهمية (التبادلية، الانتقالية، تباين الدرجات، تأثيرات المتغيرات المشتركة) في هذه المرحلة.

2

يتم اختيار مجموعة من إحصائيات الشبكة لتمثيل العمليات التوليدية المفترضة. تشمل المصطلحات الشائعة الحواف (كثافة خط الأساس)، والتبادلية (الروابط المتبادلة في الشبكات الموجهة)، والشركاء المتجاورين الموزعين هندسياً (GWESP، إحصائية تثليث جيدة السلوك تتجنب الانحلال)، والدرجات الموزعة هندسياً (GWD، لتوزيع الدرجات)، والمتغيرات المشتركة للعقد (سمات قد تتنبأ بتكوين الروابط). يؤثر اختيار الإحصائيات بشكل مباشر على ما يمكن للنموذج اكتشافه وما لا يمكنه اكتشافه.

3

نظراً لأن الثابت المعياري لاحتمالية ERGM غير قابل للتتبع لجميع الشبكات باستثناء الصغيرة جداً، يتم تقدير المعاملات عبر أقصى احتمالية لسلسلة ماركوف مونت كارلو (MCMC-MLE). تقوم الخوارزمية بشكل متكرر باقتراح إضافة وحذف الحواف، وقبول أو رفض كل منها وفقاً لقيم المعاملات الحالية، وتستخدم توزيع الشبكة المُحاكاة الناتج لتحديث تقديرات المعاملات حتى التقارب.

4

بعد التقدير، يتم فحص تشخيصات MCMC — يجب أن تكون رسوم تتبع الإحصائيات المُعينة ثابتة وتختلط جيداً، ويجب أن تكون نسب t لجميع إحصائيات النموذج قريبة من الصفر. تقارن رسوم ملاءمة النموذج (GOF) توزيعات الشبكة المُحاكاة للإحصائيات المحجوزة (توزيع الدرجات، المسافة الجيوديسية، الشركاء المتجاورين) بالقيم المُلاحظة. النموذج الذي يجتاز GOF يمكنه إعادة إنتاج هيكل الشبكة العام من إحصائياته المحلية. الانحلال — حيث يركز النموذج كل كتلة الاحتمالية على الشبكات الفارغة أو الكاملة — هو علامة على سوء التحديد ويجب حله عن طريق اختيار إحصائيات أفضل سلوكاً.

5

يتم تفسير المعاملات المقدرة على مقياس لوغاريتم الاحتمالات (log-odds)، بشكل مشابه للانحدار اللوجستي: معامل إيجابي للمثلثات يعني أن كل مثلث إضافي يزيد من لوغاريتم احتمالية وجود أي رابط معين بهذا المقدار، بشرط بقاء بقية الشبكة كما هي. تُستخدم الأخطاء المعيارية واختبارات z للاستدلال. يقدم المحلل تقريراً عن التكوينات الهيكلية الأكثر أو الأقل انتشاراً بشكل كبير من الصدفة ويربط هذه النتائج بالنظرية الموضوعية لعملية تكوين الشبكة.

الأخطاء الشائعة

  • غالباً ما يتسبب تضمين إحصائية عدد المثلثات الخام (triangle) بدون نسخة موزعة هندسياً (GWESP) في الانحلال — فضل دائماً GWESP أو إحصائيات عائلة أسية منحنية مماثلة.
  • الفشل في إجراء تشخيصات MCMC واختبارات ملاءمة النموذج قبل تفسير المعاملات: نموذج متقارب ولكنه سيء التحديد سينتج تقديرات متحيزة.
  • تفسير معاملات ERGM على أنها منحدرات انحدار عادية — إنها لوغاريتم احتمالات وجود الرابط بشرط بقاء بقية الشبكة، وليست تأثيرات هامشية.
  • تطبيق ERGM على شبكات بأقل من 20-30 عقدة، حيث تكون تقديرات المعاملات غير موثوقة؛ استخدم إحصائيات الشبكة الوصفية في هذه الحالة.

الأسئلة الشائعة

كيف يختلف ERGM عن الانحدار اللوجستي العادي على الأزواج؟

يعامل الانحدار اللوجستي كل رابط كملاحظة مستقلة، مما ينتهك عدم الاستقلالية الأساسية لبيانات الشبكة — وجود رابط واحد يغير احتمالية الروابط الأخرى. ERGM ينمنم بشكل صريح هذا الاعتماد عن طريق الشرط على هيكل الشبكة الكامل، وبالتالي فهو النهج الصحيح إحصائياً لبيانات الشبكة.

ما هو الانحلال وكيف أتجنبه؟

يحدث الانحلال عندما يخصص النموذج المقدر تقريباً كل الاحتمالية للشبكة الفارغة أو الشبكة الكاملة، مما يجعل النموذج عديم الفائدة. غالباً ما يكون سببه تضمين إحصائية عدد المثلثات الخام. الحل هو استخدام النسخ الموزعة هندسياً — GWESP للإغلاق الثلاثي و GWD لتوزيع الدرجات — وهي إحصائيات عائلة أسية منحنية تكون أكثر استقراراً بطبيعتها.

ما حجم شبكتي التي أحتاجها؟

كحد أدنى عملي، حوالي 30 عقدة هو الحد الأدنى لتقدير موثوق للمعاملات. الشبكات التي تتراوح بين 50-300 عقدة هي النطاق الأكثر شيوعاً في العمل التطبيقي. بعد بضعة آلاف من العقد، يصبح تقارب MCMC بطيئاً جداً وقد تكون نماذج بديلة مثل نماذج الكتل العشوائية أو نماذج الفضاء الكامن أكثر عملية.

هل يمكن لـ ERGM نمذجة تغيير الشبكة الطولي؟

نموذج ERGM المقطعي القياسي ينمنم لقطة شبكة واحدة. بالنسبة للبيانات اللوحية ذات الملاحظات الشبكية المتكررة، فإن ERGM الزمني (TERGM) أو نموذج الممثل العشوائي (SAOM / SIENA) هما الامتدادات المناسبة التي تنمنم ديناميكيات الروابط بمرور الوقت.

طرق ذات صلة

المصادر

  1. Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social Networks, 29(2), 173-191.

    افتح مرجع DOI
    تم النسخ.
  2. Lusher, D., Koskinen, J., & Robins, G. (Eds.) (2012). Exponential Random Graph Models for Social Networks: Theory, Methods, and Applications. Cambridge University Press.

    ردمك: 9780521193566
    تم النسخ.