Bayesian Exponential Random Graph Model
Das Bayesian Exponential Random Graph Model (Bayesian ERGM oder BERGM) erweitert den klassischen ERGM-Rahmen, indem es Prior-Verteilungen über die Modellparameter legt und Markov-Chain-Monte-Carlo-Methoden verwendet, um vollständige Posterior-Verteilungen zu erhalten. Eingeführt von Caimo und Friel (2011), ermöglicht es Forschern, Parameterunsicherheiten zu quantifizieren und Vorwissen bei der Modellierung der strukturellen Merkmale sozialer und anderer komplexer Netzwerke zu integrieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/de/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.
- Bayesian Social Network AnalysisNetzwerkanalyse↔ compare
- Bayesianer Stochastisches BlockmodellNetzwerkanalyse↔ compare
- ModularitätsanalyseNetzwerkanalyse↔ compare
- Stochastic Block ModelNetzwerkanalyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →