Bayesowski model losowego grafu wykładniczego
Bayesowski model losowego grafu wykładniczego (Bayesian ERGM lub BERGM) rozszerza klasyczne ramy ERGM poprzez umieszczenie rozkładów a priori na parametrach modelu i wykorzystanie metod Markowa łańcuchów Monte Carlo do uzyskania pełnych rozkładów a posteriori. Wprowadzony przez Caimo i Friel (2011), pozwala badaczom kwantyfikować niepewność parametrów i uwzględniać wiedzę a priori przy modelowaniu cech strukturalnych sieci społecznych i innych złożonych sieci.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Exponential Random Graph Model (Bayesian ERGM). ScholarGate. https://scholargate.app/pl/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.
- Analiza bayesowska sieci społecznychAnaliza sieci↔ compare
- Bayesowski Model Bloków StochastycznychAnaliza sieci↔ compare
- Analiza modularnościAnaliza sieci↔ compare
- Model blokowy stochastycznyAnaliza sieci↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →