Model Graf Rawak Eksponen Bayesian
Model Graf Rawak Eksponen Bayesian (Bayesian ERGM atau BERGM) memperluas kerangka ERGM klasik dengan meletakkan taburan prior ke atas parameter model dan menggunakan kaedah Markov chain Monte Carlo untuk mendapatkan taburan posterior penuh. Diperkenalkan oleh Caimo dan Friel (2011), ia membolehkan penyelidik mengukur ketidakpastian parameter dan menggabungkan pengetahuan prior apabila memodelkan ciri-ciri struktur rangkaian sosial dan rangkaian kompleks lain.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/ms/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.
- Analisis Rangkaian Sosial BayesianAnalisis Rangkaian↔ compare
- Bayesian Stochastic Block ModelAnalisis Rangkaian↔ compare
- Analisis ModularitiAnalisis Rangkaian↔ compare
- Stochastic Block ModelAnalisis Rangkaian↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →