Bayesiansk Eksponentiel Tilfældig Grafmodel
Den Bayesianske Eksponentielle Tilfældige Grafmodel (Bayesiansk ERGM eller BERGM) udvider det klassiske ERGM-rammeværk ved at placere prior-fordelinger over modelparametrene og anvende Markov chain Monte Carlo-metoder til at opnå fulde posterior-fordelinger. Introduceret af Caimo og Friel (2011) tillader den forskere at kvantificere parameterusikkerhed og inkorporere forudgående viden ved modellering af de strukturelle træk ved sociale og andre komplekse netværk.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Caimo, A., & Friel, N. (2011). Bayesian inference for exponential random graph models. Social Networks, 33(1), 41–55. DOI: 10.1016/j.socnet.2010.09.004 ↗
- Exponential random graph models. Wikipedia. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/da/network-analysis/bayesian-exponential-random-graph-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk social netværksanalyseNetværksanalyse↔ compare
- Bayesiansk Stokastisk BlokmodelNetværksanalyse↔ compare
- ModularitetsanalyseNetværksanalyse↔ compare
- Stokastisk blokmodelNetværksanalyse↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →