Skip to content
กลับไปยังผลการค้นหา

แบบจำลองกราฟสุ่มเชิงเลขชี้กำลัง (ERGM / p*)

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

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แบบจำลองกราฟสุ่มเชิงเลขชี้กำลัง (ERGM) หรือที่รู้จักในชื่อแบบจำลอง p* เป็นกรอบการวิเคราะห์ทางสถิติสำหรับการวิเคราะห์เครือข่าย ซึ่งสร้างแบบจำลองความน่าจะเป็นของเครือข่ายที่สังเกตได้ในฐานะฟังก์ชันของคุณลักษณะโครงสร้างเฉพาะที่ — เช่น การตอบสนอง สามเหลี่ยม และการกระจายตัวของดีกรี ERGM พัฒนาขึ้นจากงานพื้นฐานของ Frank และ Strauss (1986) และขยายเป็นกรอบการทำงานสมัยใหม่โดย Wasserman และ Pattison (1996) และ Robins และคณะ (2007) ERGM เป็นมาตรฐานเชิงอนุมานสำหรับการวิเคราะห์เครือข่ายสังคม สามารถทดสอบว่าโครงสร้างเครือข่ายที่สังเกตได้เกิดขึ้นโดยบังเอิญหรือไม่ หรือสะท้อนกระบวนการทางสังคมที่แท้จริงหรือไม่

แนวคิดเบื้องหลังวิธีการ

เมื่อคุณพิจารณาเครือข่ายสังคม — กราฟมิตรภาพ เครือข่ายความร่วมมือ ใยอ้างอิง — คุณจะสังเกตเห็นรูปแบบ: เพื่อนของเพื่อนมีแนวโน้มที่จะเป็นเพื่อนกันเอง นักแสดงที่มีชื่อเสียงดึงดูดความสัมพันธ์มากขึ้น ความสัมพันธ์มักจะตอบสนอง ERGM ตั้งคำถามพื้นฐานว่า: รูปแบบเหล่านี้พบได้บ่อยกว่าที่คุณคาดหวังจากโอกาสเพียงอย่างเดียวหรือไม่? ทำได้โดยการพิจารณาเครือข่ายที่สังเกตได้ทั้งหมดเป็นผลลัพธ์เดียวที่ดึงมาจาก การแจกแจงความน่าจะเป็น โดยที่ความน่าจะเป็นของเครือข่ายนั้นขึ้นอยู่กับจำนวนครั้งที่พบการกำหนดค่าโครงสร้างที่เลือก (สามเหลี่ยม ความสัมพันธ์แบบตอบสนอง รูปดาว) การกำหนดค่าที่มีสัมประสิทธิ์เป็นบวกมีแนวโน้มที่จะเกิดขึ้นมากกว่าโอกาส; สัมประสิทธิ์ที่เป็นลบหมายความว่าการกำหนดค่าเหล่านั้นถูกหลีกเลี่ยงอย่างแข็งขัน แบบจำลองนี้ไม่ได้ประมาณค่าโดยการถดถอยปกติ แต่โดยการจำลองแบบลูกโซ่มาร์คอฟมอนติคาร์โล (Markov chain Monte Carlo simulation) ซึ่งสร้างเครือข่ายที่น่าจะเป็นไปได้หลายพันเครือข่ายเพื่อเปรียบเทียบกับเครือข่ายที่สังเกตได้

ประวัติศาสตร์

รากฐานเชิงความน่าจะเป็นของ ERGM ย้อนกลับไปที่แบบจำลอง p1 ของ Holland และ Leinhardt (1981) ซึ่งอธิบายถึงการตอบสนองในเครือข่ายที่มีทิศทาง Frank และ Strauss (1986) ได้ขยายสิ่งนี้ไปสู่กรอบการทำงานของกราฟสุ่มมาร์คอฟที่สามารถจับการพึ่งพาอันดับสูง เช่น สามเหลี่ยม และตั้งชื่อสิ่งที่ต่อมาจะเรียกว่าแบบจำลอง p* Wasserman และ Pattison (1996) ได้ทำให้รูปแบบครอบครัวเลขชี้กำลังเป็นทางการและตั้งชื่อแบบจำลองตามชื่อปัจจุบัน ความก้าวหน้าที่สำคัญเกิดขึ้นเมื่อ Snijders (2002) แนะนำการประมาณค่า MCMC-MLE ทำให้การปรับแบบจำลองสามารถทำได้จริง Robins และคณะ (2007) ได้นำเสนอสถิติครอบครัวเลขชี้กำลังแบบโค้ง — โดยเฉพาะ GWESP และ GWD — ซึ่งช่วยลดความเสื่อมได้อย่างมากและทำให้วิธีการนี้สามารถนำไปใช้ได้จริงตามปกติ ชุด statnet ใน R ซึ่งพัฒนาโดย Handcock, Hunter, Butts, Goodreau และ Morris ได้กลายเป็นมาตรฐานการใช้งานเชิงคำนวณ

ควรใช้เมื่อใด

ERGM เหมาะสมเมื่อคุณมีเครือข่ายที่สังเกตได้เพียงเครือข่ายเดียว (ภาพตัดขวางหรือภาพระยะเวลา) และคุณต้องการทดสอบว่ากระบวนการโครงสร้างเฉพาะที่ — การตอบสนอง การจัดกลุ่ม การเชื่อมโยงตามลำดับความสำคัญ การรักพวกพ้อง — สร้างมันขึ้นมา เครือข่ายควรมีขนาดเล็กถึงปานกลาง การบรรจบกันของ MCMC จะยากสำหรับเครือข่ายที่ใหญ่มาก (หลายพันโหนด) แบบจำลองต้องการความสัมพันธ์แบบมีทิศทางหรือไม่ก็ไม่มีทิศทางแบบไบนารี (มีรูปแบบถ่วงน้ำหนักแต่ซับซ้อนกว่า) ไม่เหมาะสมเมื่อเครือข่ายมีโหนดน้อยกว่าประมาณ 20-30 โหนด เมื่อคุณไม่มีสมมติฐานเชิงทฤษฎีที่ชัดเจนเกี่ยวกับโครงสร้างการกำหนดค่า หรือเมื่อคุณต้องการสร้างแบบจำลองพลวัตแบบต่อเนื่อง (ใช้ Temporal ERGM หรือ Stochastic Actor-Oriented Model แทน)

ข้อจำกัดและข้อควรพิจารณา

  • การประมาณค่า MCMC อาจช้าและอาจไม่บรรจบกันสำหรับเครือข่ายขนาดใหญ่ ข้อจำกัดในทางปฏิบัติมักอยู่ที่ไม่กี่ร้อยถึงไม่กี่พันโหนด
  • ความเสื่อมของแบบจำลอง — ที่แบบจำลองที่ประมาณค่าได้กำหนดความน่าจะเป็นเกือบทั้งหมดให้กับเครือข่ายที่ว่างเปล่าหรือสมบูรณ์ — เป็นความเสี่ยงที่คงที่ซึ่งต้องการการเลือกสถิติอย่างระมัดระวัง
  • แบบจำลองนี้ออกแบบมาสำหรับภาพตัดขวางเป็นหลัก การสร้างแบบจำลองพลวัตเครือข่ายที่แท้จริงต้องการส่วนขยาย เช่น Temporal ERGM (TERGM) หรือ SAOMs
  • ต้องการโหนดอย่างน้อยประมาณ 30 โหนดสำหรับการประมาณค่าพารามิเตอร์ที่น่าเชื่อถือ เครือข่ายที่เล็กมากให้ค่าประมาณที่ไม่ให้ข้อมูล

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ให้การอนุมานทางสถิติอย่างเป็นทางการ — ค่า p, ความคลาดเคลื่อนมาตรฐาน และการยืนยันความเชื่อมั่น — สำหรับสมมติฐานโครงสร้างเครือข่าย
  • จัดการความไม่เป็นอิสระของความสัมพันธ์เครือข่ายที่ละเมิดข้อสมมติฐานของการถดถอยมาตรฐาน ทำให้เป็นเครื่องมืออนุมานที่ถูกต้องสำหรับข้อมูลเครือข่าย
  • การระบุที่ยืดหยุ่น: รูปแบบที่มีทิศทาง ไม่มีทิศทาง แบบสองส่วน และแบบถ่วงน้ำหนัก ช่วยให้ครอบคลุมเครือข่ายได้หลายประเภท
  • การวินิจฉัยความเหมาะสมของแบบจำลองให้วิธีการที่มีหลักการในการประเมินว่าแบบจำลองสร้างโครงสร้างเครือข่ายโดยรวมจากสถิติเฉพาะที่ได้หรือไม่

การประยุกต์ใช้

  • การอธิบายการเกิดความสัมพันธ์ในเครือข่ายคำแนะนำขององค์กร — ทดสอบว่าผู้คนขอคำแนะนำจากผู้อื่นที่มีสถานะเท่าเทียมกันหรือจากผู้ที่พวกเขาเป็นเพื่อนด้วยอยู่แล้วหรือไม่
  • การสร้างแบบจำลองรูปแบบความร่วมมือระหว่างนักวิจัย — ไม่ว่าการเป็นผู้เขียนร่วมจะเกิดขึ้นผ่านการถ่ายทอด (เพื่อนของเพื่อน) หรือขับเคลื่อนโดยสังกัดสถาบัน
  • ระบาดวิทยาและสาธารณสุข — การระบุว่าคุณลักษณะโครงสร้างใดของเครือข่ายการติดต่อทางเพศที่ทำนายเส้นทางการแพร่ระบาดของโรค
  • ความสัมพันธ์ระหว่างประเทศ — การทดสอบว่าการก่อตั้งพันธมิตรเป็นการตอบสนอง เป็นการถ่ายทอด หรือขับเคลื่อนโดยคุณลักษณะร่วมกัน เช่น ประชาธิปไตย หรือการพึ่งพาทางการค้า
  • การวิจัยแพลตฟอร์มโซเชียลออนไลน์ — การแยกแยะว่าการจัดกลุ่มที่สังเกตได้และความเบ้ของดีกรีในเครือข่ายผู้ติดตามเป็นแนวโน้มเชิงโครงสร้างหรือเป็นผลจากอัลกอริทึมของแพลตฟอร์มหรือไม่

วิธีการทำงาน

วิธีการทำงาน

1

นักวิเคราะห์รวบรวมข้อมูลเครือข่าย — โหนด เส้นเชื่อม และแอตทริบิวต์ของโหนดหรือเส้นเชื่อมใดๆ — และตัดสินใจว่าเครือข่ายนั้นมีทิศทางหรือไม่ ขนาดที่แนะนำขั้นต่ำอยู่ที่ประมาณ 30 โหนด เครือข่ายที่มีขนาดเล็กกว่าจะไม่ให้ค่าประมาณพารามิเตอร์ที่น่าเชื่อถือ คุณลักษณะโครงสร้างที่น่าสนใจ (การตอบสนอง การถ่ายทอด การกระจายตัวของดีกรีที่ไม่สม่ำเสมอ ผลกระทบจากตัวแปรร่วม) จะถูกระบุในขั้นตอนนี้

2

ชุดสถิติเครือข่ายจะถูกเลือกเพื่อแสดงกระบวนการสร้างที่ตั้งสมมติฐาน คำศัพท์ทั่วไป ได้แก่ เส้นเชื่อม (ความหนาแน่นพื้นฐาน) การตอบสนอง (ความสัมพันธ์แบบทวิภาคีในเครือข่ายที่มีทิศทาง) หุ้นส่วนแบบเอดจ์ที่ถ่วงน้ำหนักแบบเรขาคณิต (GWESP สถิติการสร้างสามเหลี่ยมที่ทำงานได้ดีซึ่งหลีกเลี่ยงความเสื่อม) ดีกรีที่ถ่วงน้ำหนักแบบเรขาคณิต (GWD สำหรับการกระจายตัวของดีกรี) และตัวแปรร่วมของโหนด (แอตทริบิวต์ที่อาจทำนายการเกิดความสัมพันธ์) การเลือกสถิติจะกำหนดโดยตรงว่าแบบจำลองสามารถตรวจจับอะไรได้และอะไรไม่ได้

3

เนื่องจากค่าคงที่การทำให้เป็นมาตรฐานของฟังก์ชันความเป็นไปได้ของ ERGM ไม่สามารถคำนวณได้สำหรับเครือข่ายที่ใหญ่กว่าเครือข่ายเล็กๆ เท่านั้น พารามิเตอร์จะถูกประมาณค่าโดยใช้การประมาณค่าความน่าจะเป็นสูงสุดของลูกโซ่มาร์คอฟมอนติคาร์โล (MCMC-MLE) อัลกอริทึมจะเสนอการเพิ่มและลบเส้นเชื่อมซ้ำๆ โดยยอมรับหรือปฏิเสธแต่ละรายการตามค่าพารามิเตอร์ปัจจุบัน และใช้การแจกแจงเครือข่ายที่จำลองได้ผลลัพธ์เพื่ออัปเดตค่าประมาณพารามิเตอร์จนกว่าจะบรรจบกัน

4

หลังจากการประมาณค่า จะมีการตรวจสอบการวินิจฉัย MCMC — แผนภูมิติดตามของสถิติที่สุ่มตัวอย่างควรจะคงที่และผสมผสานได้ดี และอัตราส่วน t สำหรับสถิติแบบจำลองทั้งหมดควรใกล้เคียงศูนย์ แผนภูมิความเหมาะสมของแบบจำลอง (GOF) เปรียบเทียบการแจกแจงเครือข่ายที่จำลองได้ของสถิติที่ถูกเก็บไว้ (การกระจายตัวของดีกรี ระยะทางธรณีสัณฐาน หุ้นส่วนแบบเอดจ์) กับค่าที่สังเกตได้ แบบจำลองที่ผ่าน GOF สามารถสร้างโครงสร้างเครือข่ายโดยรวมจากสถิติเฉพาะที่ได้ ความเสื่อม — ที่แบบจำลองกระจุกตัวมวลความน่าจะเป็นทั้งหมดบนเครือข่ายที่ว่างเปล่าหรือสมบูรณ์ — เป็นสัญญาณของการระบุผิดพลาดและต้องได้รับการแก้ไขโดยการเลือกสถิติที่ดีกว่า

5

สัมประสิทธิ์ที่ประมาณค่าได้จะถูกตีความในระดับ log-odds ซึ่งคล้ายกับการถดถอยโลจิสติก: สัมประสิทธิ์ที่เป็นบวกสำหรับสามเหลี่ยมหมายความว่าสามเหลี่ยมที่เพิ่มขึ้นแต่ละอันจะเพิ่ม log-odds ของการมีอยู่ของเส้นเชื่อมใดๆ ตามจำนวนนั้น โดยมีเงื่อนไขของโครงสร้างเครือข่ายที่เหลืออยู่ ความคลาดเคลื่อนมาตรฐานและการทดสอบ z ใช้สำหรับการอนุมาน นักวิเคราะห์จะรายงานว่าการกำหนดค่าโครงสร้างใดมีความแพร่หลายมากกว่าหรือน้อยกว่าโอกาสอย่างมีนัยสำคัญ และเชื่อมโยงผลการค้นพบเหล่านั้นกับทฤษฎีพื้นฐานของกระบวนการสร้างเครือข่าย

ข้อผิดพลาดที่พบบ่อย

  • การรวมสถิตินับสามเหลี่ยมดิบ (triangle) โดยไม่มีเวอร์ชันที่ถ่วงน้ำหนักแบบเรขาคณิต (GWESP) มักทำให้เกิดความเสื่อม — ควรเลือก GWESP หรือสถิติครอบครัวเลขชี้กำลังแบบโค้งที่คล้ายกันเสมอ
  • การไม่ทำการวินิจฉัย MCMC และการทดสอบความเหมาะสมของแบบจำลองก่อนตีความสัมประสิทธิ์: แบบจำลองที่บรรจบกันแต่ระบุผิดพลาดจะให้ค่าประมาณที่เอนเอียง
  • การตีความสัมประสิทธิ์ ERGM เป็นความชันของการถดถอยปกติ — เป็น log-odds ของการมีอยู่ของความสัมพันธ์โดยมีเงื่อนไขของโครงสร้างเครือข่ายที่เหลือ ไม่ใช่ผลกระทบโดยรวม
  • การใช้ ERGM กับเครือข่ายที่มีโหนดน้อยกว่า 20-30 โหนด ซึ่งค่าประมาณพารามิเตอร์ไม่น่าเชื่อถือ ในกรณีนั้นควรใช้สถิติเครือข่ายเชิงพรรณนา

คำถามที่พบบ่อย

ERGM แตกต่างจากการถดถอยโลจิสติกแบบปกติบนคู่ของโหนดอย่างไร?

การถดถอยโลจิสติกถือว่าความสัมพันธ์แต่ละคู่เป็นการสังเกตที่เป็นอิสระ ซึ่งละเมิดความไม่เป็นอิสระพื้นฐานของข้อมูลเครือข่าย — การมีอยู่ของความสัมพันธ์หนึ่งเปลี่ยนความน่าจะเป็นของความสัมพันธ์อื่นๆ ERGM สร้างแบบจำลองการพึ่งพานี้อย่างชัดเจนโดยมีเงื่อนไขของโครงสร้างเครือข่ายทั้งหมด และด้วยเหตุนี้จึงเป็นวิธีการที่ถูกต้องทางสถิติสำหรับข้อมูลเครือข่าย

ความเสื่อมคืออะไรและจะหลีกเลี่ยงได้อย่างไร?

ความเสื่อมเกิดขึ้นเมื่อแบบจำลองที่ประมาณค่าได้กำหนดความน่าจะเป็นเกือบทั้งหมดให้กับเครือข่ายที่ว่างเปล่าหรือเครือข่ายที่สมบูรณ์ ทำให้แบบจำลองไร้ประโยชน์ สาเหตุที่พบบ่อยที่สุดคือการรวมสถิตินับสามเหลี่ยมดิบ วิธีแก้ปัญหาคือการใช้เวอร์ชันที่ถ่วงน้ำหนักแบบเรขาคณิต — GWESP สำหรับการปิดสามเหลี่ยมและ GWD สำหรับการกระจายตัวของดีกรี — ซึ่งเป็นสถิติครอบครัวเลขชี้กำลังแบบโค้งที่มีความเสถียรโดยเนื้อแท้

เครือข่ายของฉันต้องมีขนาดใหญ่แค่ไหน?

ตามขีดจำกัดล่างในทางปฏิบัติ ประมาณ 30 โหนดเป็นขั้นต่ำสำหรับการประมาณค่าพารามิเตอร์ที่น่าเชื่อถือ เครือข่ายขนาด 50-300 โหนดเป็นช่วงที่พบบ่อยที่สุดในการทำงานประยุกต์ นอกเหนือจากเครือข่ายหลายพันโหนด การบรรจบกันของ MCMC จะช้ามาก และแบบจำลองทางเลือก เช่น แบบจำลองบล็อกสุ่ม หรือแบบจำลองปริภูมิแฝง อาจมีความเหมาะสมมากกว่า

ERGM สามารถสร้างแบบจำลองการเปลี่ยนแปลงเครือข่ายตามช่วงเวลาได้หรือไม่?

ERGM แบบภาพตัดขวางมาตรฐานสร้างแบบจำลองภาพเครือข่ายเดียว สำหรับข้อมูลแผงที่มีการสังเกตเครือข่ายซ้ำ Temporal ERGM (TERGM) หรือ Stochastic Actor-Oriented Model (SAOM / SIENA) เป็นส่วนขยายที่เหมาะสมซึ่งสร้างแบบจำลองพลวัตความสัมพันธ์เมื่อเวลาผ่านไป

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

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

    ISBN: 9780521193566
    คัดลอกแล้ว