ScholarGate
Assistent
Machine learningNetwork science

Dynamisk exponentiell slumpgrafmodell

Den dynamiska exponentiella slumpgrafmodellen (TERGM / STERGM) utvidgar det klassiska ERGM-ramverket till panelnätverksdata, och modellerar hur ett nätverks kopplingar bildas och upplöses över tid som en funktion av strukturella tendenser, nodattribut och nätverkets egen tidigare status. Den ger statistiskt principfast inferens om longitudinell nätverksförändring.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

Källor

  1. Hanneke, S., Fu, W., & Xing, E. P. (2010). Discrete temporal models of social networks. Electronic Journal of Statistics, 4, 585–605. DOI: 10.1214/09-EJS548
  2. Krivitsky, P. N., & Handcock, M. S. (2014). A separable model for dynamic networks. Journal of the Royal Statistical Society: Series B, 76(1), 29–46. DOI: 10.1111/rssb.12014

Så citerar du den här sidan

ScholarGate. (2026, June 3). Dynamic Exponential Random Graph Model (Temporal ERGM). ScholarGate. https://scholargate.app/sv/network-analysis/dynamic-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.

Compare side by side
ScholarGateDynamic Exponential Random Graph Model (Dynamic Exponential Random Graph Model (Temporal ERGM)). Hämtad 2026-06-15 från https://scholargate.app/sv/network-analysis/dynamic-exponential-random-graph-model · Datamängd: https://doi.org/10.5281/zenodo.20539026