Bayesiaans Exponentieel Willekeurig Graafmodel
Het Bayesiaanse Exponentiële Willekeurige Graafmodel (Bayesian ERGM of BERGM) breidt het klassieke ERGM-raamwerk uit door prior-verdelingen toe te kennen aan de modelparameters en Markov chain Monte Carlo-methoden te gebruiken om volledige posterior-verdelingen te verkrijgen. Geïntroduceerd door Caimo en Friel (2011), stelt het onderzoekers in staat om parameteronzekerheid te kwantificeren en voorkennis te incorporeren bij het modelleren van de structurele kenmerken van sociale en andere complexe netwerken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/nl/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 AnalysisNetwerkanalyse↔ compare
- Bayesiaans Stochastisch BlokmodelNetwerkanalyse↔ compare
- Modularity AnalysisNetwerkanalyse↔ compare
- Stochastic Block ModelNetwerkanalyse↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →