Modèle bayésien de graphe aléatoire exponentiel
Le modèle bayésien de graphe aléatoire exponentiel (Bayesian ERGM ou BERGM) étend le cadre classique des ERGM en plaçant des distributions a priori sur les paramètres du modèle et en utilisant des méthodes de Monte Carlo par chaînes de Markov (MCMC) pour obtenir des distributions a posteriori complètes. Introduit par Caimo et Friel (2011), il permet aux chercheurs de quantifier l'incertitude des paramètres et d'incorporer des connaissances antérieures lors de la modélisation des caractéristiques structurelles des réseaux sociaux et autres réseaux complexes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/fr/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.
- L'Analyse Bayésienne des Réseaux SociauxAnalyse de réseaux↔ compare
- Modèle de blocs stochastiques bayésienAnalyse de réseaux↔ compare
- Analyse de modularitéAnalyse de réseaux↔ compare
- Modèle de blocs stochastiquesAnalyse de réseaux↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →