Üstel Rastgele Grafik Modeli (ERGM / p*)
- Ortaya koyan
- Frank & Strauss (1986); extended by Wasserman & Pattison (1996) and Robins et al. (2007)
- Yıl
- 1986 (foundational); modern ERGM framework 1996–2007
- Tür
- Probabilistic generative network model
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Üstel Rastgele Grafik Modeli (ERGM), aynı zamanda p* modeli olarak da bilinen, gözlemlenen bir ağın olasılığını karşılıklılık, üçgenler ve derece dağılımı gibi yerel yapısal özelliklerinin bir fonksiyonu olarak modelleyen bir ağ analizi istatistiksel çerçevesidir.
Frank ve Strauss (1986) tarafından yapılan temel çalışmalardan geliştirilen ve Wasserman ve Pattison (1996) ile Robins ve diğerleri (2007) tarafından modern çerçeveye genişletilen ERGM, sosyal ağ analizi için çıkarımsal standart olup, gözlemlenen ağ yapılarının şans eseri mi ortaya çıktığını yoksa gerçek sosyal süreçleri mi yansıttığını test etme yeteneğine sahiptir.
Yöntemin mantığı
Bir sosyal ağa baktığınızda — bir arkadaşlık grafiği, bir işbirliği ağı, bir atıf ağı — kalıplar fark edersiniz: arkadaşların arkadaşları da birbirleriyle arkadaş olma eğilimindedir, popüler oyuncular daha fazla bağ çeker, ilişkiler genellikle karşılıklıdır. ERGM temel bir soru sorar: bu kalıplar tek başına şanstan bekleyeceğinizden daha mı yaygındır? Bunu, tüm gözlemlenen ağı bir olasılık dağılımından çekilmiş tek bir sonuç olarak ele alarak yapar; burada o ağın olasılığı, seçilen yapısal konfigürasyonların (üçgenler, karşılıklı bağlar, yıldız şekilleri) kaç örneğini içerdiğine bağlıdır. Pozitif katsayılara sahip konfigürasyonların şanstan daha fazla ortaya çıkma olasılığı vardır; negatif katsayılar bu konfigürasyonların aktif olarak kaçınıldığı anlamına gelir. Model, adi regresyonla değil, Markov zinciri Monte Carlo simülasyonu ile tahmin edilir; bu simülasyon, gözlemlenen ağ ile karşılaştırmak için binlerce olası ağ üretir.
Tarih
ERGM'nin olasılıksal temelleri, yönlü ağlarda karşılıklılığı hesaba katan Holland ve Leinhardt'ın (1981) p1 modeline dayanmaktadır. Frank ve Strauss (1986) bunu, üçgenler gibi daha yüksek dereceli bağımlılığı yakalayabilen bir Markov rastgele grafik çerçevesine genişletti ve daha sonra p* modeli olarak adlandırılacak olanı ortaya attı. Wasserman ve Pattison (1996) üstel aile temsilini biçimlendirdi ve modele mevcut adını verdi. Snijders (2002) MCMC-MLE tahminini tanıttığında kritik bir ilerleme kaydedildi ve pratik uyumlandırmayı mümkün kıldı. Robins ve diğerleri (2007), dejenerasyonu önemli ölçüde azaltan ve yöntemi rutin uygulamaya açan eğimli üstel aile istatistikleri — özellikle GWESP ve GWD — katkıda bulundular. Handcock, Hunter, Butts, Goodreau ve Morris tarafından geliştirilen R'deki statnet paketi, standart hesaplama uygulamasını oluşturdu.
Ne zaman kullanılır?
ERGM, tek bir gözlemlenen ağınız olduğunda (kesitsel veya boylamsal bir anlık görüntü) ve hangi yerel yapısal süreçlerin — karşılıklılık, kümelenme, tercihen bağlanma, homofili — onu ürettiğini test etmek istediğinizde uygundur. Ağ küçük ila orta boyutta olmalıdır; MCMC yakınsaması çok büyük ağlar (binlerce düğüm) için zorlaşır. Model, yönlü veya yönsüz ikili bağlar gerektirir (ağırlıklı varyantlar mevcuttur ancak daha karmaşıktır). Yaklaşık 20-30 düğümden az ağlarda, net teorik yapısal konfigürasyon hipotezleri olmadığında veya sürekli zaman dinamiklerini modellemeniz gerektiğinde (bunun yerine Zamansal ERGM veya Stokastik Aktör Odaklı Model kullanın) uygun değildir.
Sınırlar ve dikkat edilmesi gerekenler
- MCMC tahmini yavaş olabilir ve büyük ağlar için yakınsamayabilir; pratik sınırlar tipik olarak birkaç yüz ila birkaç bin düğümdür.
- Model dejenerasyonu — tahmin edilen modelin neredeyse tüm olasılığı boş veya tam ağlara ataması — dikkatli istatistik seçimi gerektiren kalıcı bir risktir.
- Model öncelikle kesitsel anlık görüntüler için tasarlanmıştır; gerçek ağ dinamiklerini modellemek Zamansal ERGM (TERGM) veya SAOM'lar gibi uzantılar gerektirir.
- Güvenilir parametre tahmini için minimum yaklaşık 30 düğüm gerektirir; çok küçük ağlar bilgilendirici olmayan tahminler verir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Ağ yapısal hipotezleri için resmi istatistiksel çıkarım — p-değerleri, standart hatalar ve güven ifadeleri — sağlar.
- Ağ verileri için doğru çıkarımsal araç haline getirerek, standart regresyonun varsayımlarını ihlal eden ağ bağlarının bağımsızlığını ele alır.
- Yönlü, yönsüz, iki parçalı ve ağırlıklı varyantlar birçok ağ türünü kapsayacak şekilde esnek belirtim sunar.
- Uyum iyiliği tanıları, modelin küresel ağ yapısını yerel istatistiklerden yeniden üretip üretmediğini değerlendirmek için ilkeli bir yol sağlar.
Uygulama alanları
- Örgütsel tavsiye ağlarında bağ oluşumunu açıklamak — insanların benzer statüdeki kişilerden mi yoksa zaten arkadaş oldukları kişilerden mi tavsiye aradıklarını test etmek.
- Araştırmacılar arasındaki işbirliği kalıplarını modellemek — ortak yazarlığın geçişlilik (arkadaşların arkadaşları) yoluyla mı oluştuğunu yoksa kurumsal bağlılık tarafından mı yönlendirildiğini.
- Epidemiyoloji ve halk sağlığı — cinsel temas ağlarının hangi yapısal özelliklerinin hastalık bulaşma yollarını tahmin ettiğini belirlemek.
- Uluslararası ilişkiler — ittifak oluşumunun karşılıklı, geçişli olup olmadığını veya demokrasi veya ticaret bağımlılığı gibi ortak öznitelikler tarafından yönlendirilip yönlendirilmediğini test etmek.
- Çevrimiçi sosyal platform araştırması — takipçi ağlarındaki gözlemlenen kümelenme ve derece çarpıklığının yapısal eğilimler mi yoksa platform algoritmalarının eserleri mi olduğunu ayırt etmek.
Nasıl çalışır?
Nasıl çalışır?
Analist, ağ verilerini — düğümler, kenarlar ve herhangi bir düğüm veya kenar öznitelikleri — toplar ve ağın yönlü mü yoksa yönsüz mü olduğuna karar verir. Minimum önerilen boyut yaklaşık 30 düğümdür; daha küçük ağlar güvenilir parametre tahminleri vermez. İlgilenilen yapısal özellikler (karşılıklılık, geçişlilik, derece heterojenliği, kovaryet etkileri) bu aşamada belirlenir.
Varsayılan üretken süreçleri temsil etmek üzere bir dizi ağ istatistiği seçilir. Yaygın terimler arasında kenarlar (temel yoğunluk), karşılıklılık (yönlü ağlarda karşılıklı bağlar), geometrik olarak ağırlıklandırılmış kenar bazlı paylaşılan ortaklar (GWESP, dejenerasyondan kaçınan iyi huylu bir üçgenleme istatistiği), geometrik olarak ağırlıklandırılmış derece (GWD, derece dağılımı için) ve düğüm kovaryetleri (bağ oluşumunu tahmin edebilecek öznitelikler) bulunur. İstatistiklerin seçimi, modelin neyi tespit edebileceğini ve neyi tespit edemeyeceğini doğrudan şekillendirir.
ERGM olasılık fonksiyonunun normalleştirme sabiti, önemsiz derecede küçük ağlar dışında hesaplanamaz olduğu için, parametreler Markov zinciri Monte Carlo maksimum olabilirlik (MCMC-MLE) yoluyla tahmin edilir. Algoritma, kenar ekleme ve çıkarma işlemlerini yinelemeli olarak önerir, her birini mevcut parametre değerlerine göre kabul eder veya reddeder ve parametre tahminlerini yakınsama sağlanana kadar güncellemek için sonuçta ortaya çıkan simüle edilmiş ağ dağılımını kullanır.
Tahminden sonra, MCMC tanıları incelenir — örneklenen istatistiklerin iz grafikleri durağan olmalı ve iyi karışmalıdır ve tüm model istatistikleri için t-oranları sıfıra yakın olmalıdır. Uyum iyiliği (GOF) grafikleri, tutulan istatistiklerin (derece dağılımı, jeodezik mesafe, kenar bazlı paylaşılan ortaklar) simüle edilmiş ağ dağılımlarını gözlemlenen değerlerle karşılaştırır. GOF'u geçen bir model, küresel ağ yapısını yerel istatistiklerinden yeniden üretebilir. Dejenerasyon — modelin tüm olasılık kütlesini boş veya tam ağlarda yoğunlaştırması — yanlış belirtme işaretidir ve daha iyi huylu istatistikler seçilerek çözülmelidir.
Tahmin edilen katsayılar, lojistik regresyona benzer şekilde log-olasılık ölçeğinde yorumlanır: üçgenler için pozitif bir katsayı, her ek üçgenin, ağın geri kalanına bağlı olarak herhangi bir verilen kenarın bulunma olasılığını o miktarda artırdığı anlamına gelir. Çıkarım için standart hatalar ve z-testleri kullanılır. Analist, hangi yapısal konfigürasyonların şanstan anlamlı olarak daha fazla veya daha az yaygın olduğunu bildirir ve bu bulguları ağ oluşum sürecinin özsel teorisine bağlar.
Sık yapılan hatalar
- Ham üçgen sayım istatistiğini (triangle) geometrik olarak ağırlıklandırılmış bir sürüm (GWESP) olmadan dahil etmek genellikle dejenerasyona neden olur — her zaman GWESP veya benzeri eğimli üstel aile istatistiklerini tercih edin.
- Katsayıları yorumlamadan önce MCMC tanıları ve uyum iyiliği testlerini çalıştırmamak: yakınsamış ancak yanlış belirtilmiş bir model yanlı tahminler üretecektir.
- ERGM katsayılarını adi regresyon eğimleri olarak yorumlamak — bunlar ağın geri kalanına bağlı olarak bağ varlığının log-olasılıklarıdır, marjinal etkiler değil.
- ERGM'yi 20-30 düğümden az ağlara uygulamak, burada parametre tahminleri güvenilmezdir; bu durumda betimsel ağ istatistiklerini kullanın.
Sık sorulan sorular
ERGM, adi ikili regresyondan nasıl farklıdır?
Lojistik regresyon, her bir bağı makul bir şekilde bağımsız bir gözlem olarak ele alır, bu da ağ verilerinin temel bağımsızlığını ihlal eder — bir bağın varlığı diğerlerinin olasılığını değiştirir. ERGM, tüm ağ yapısına koşullandırarak bu bağımlılığı açıkça modeller ve bu nedenle ağ verileri için istatistiksel olarak doğru yaklaşımdır.
Dejenerasyon nedir ve nasıl önlenir?
Dejenerasyon, tahmin edilen modelin neredeyse tüm olasılığı boş veya tam ağa ataması durumunda ortaya çıkar ve bu da modeli kullanışsız hale getirir. En sık ham üçgen sayım istatistiğinin dahil edilmesinden kaynaklanır. Çözüm, eğimli üstel aile istatistikleri olan ve doğal olarak daha kararlı olan geometrik olarak ağırlıklandırılmış sürümleri — üçlü kapanış için GWESP ve derece dağılımı için GWD — kullanmaktır.
Ağım ne kadar büyük olmalı?
Pratik bir alt sınır olarak, güvenilir parametre tahmini için yaklaşık 30 düğüm minimumdur. 50-300 düğümlü ağlar, uygulamalı çalışmalarda en yaygın aralıktır. Birkaç bin düğümün ötesinde, MCMC yakınsaması çok yavaşlar ve stokastik blok modelleri veya gizli alan modelleri gibi alternatif modeller daha pratik olabilir.
ERGM, boylamsal ağ değişimini modelleyebilir mi?
Standart kesitsel ERGM, tek bir ağ anlık görüntüsünü modeller. Tekrarlanan ağ gözlemleriyle panel verileri için, Zamansal ERGM (TERGM) veya Stokastik Aktör Odaklı Model (SAOM / SIENA), zaman içindeki bağ dinamiklerini modelleyen uygun uzantılardır.
İlgili yöntemler
Kaynaklar
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.
DOI kaynağını açKopyalandı.Lusher, D., Koskinen, J., & Robins, G. (Eds.) (2012). Exponential Random Graph Models for Social Networks: Theory, Methods, and Applications. Cambridge University Press.
ISBN: 9780521193566Kopyalandı.