Beiziešu nejaušo grafu modelis (Bayesian Exponential Random Graph Model)
Beiziešu nejaušo grafu modelis (Bayesian ERGM vai BERGM) paplašina klasisko ERGM sistēmu, nosakot iepriekšējas sadalījumus modeļa parametriem un izmantojot Markova ķēdes Montekarlo metodes, lai iegūtu pilnus aizmugures sadalījumus. Ieviests Kaimo un Frīlas (2011) darbā, tas ļauj pētniekiem kvantificēt parametru nenoteiktību un iekļaut iepriekšējās zināšanas, modelējot sociālo un citu sarežģītu tīklu strukturālās īpašības.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/lv/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.
- Baijesa sociālo tīklu analīzeTīklu analīze↔ compare
- Bayesiešu stohastiskais bloku modelisTīklu analīze↔ compare
- Modulāritātes analīzeTīklu analīze↔ compare
- Stohastiskais bloku modelisTīklu analīze↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →