Dinamik Üstel Rastgele Grafik Modeli
Dynamic Exponential Random Graph Model (Temporal ERGM) · Ayrıca şöyle bilinir: TERGM, Temporal ERGM, Dynamic ERGM, STERGM
Dinamik Üstel Rastgele Grafik Modeli (TERGM / STERGM), klasik ERGM çerçevesini panel ağ verilerine genişleterek, bir ağın bağlarının zaman içinde nasıl oluştuğunu ve çözüldüğünü yapısal eğilimler, düğüm öznitelikleri ve ağın kendi geçmiş durumu fonksiyonu olarak modeller. Boylamsal ağ değişimi hakkında istatistiksel olarak ilkeli çıkarımlar sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla gözlemlenen ağ anlık görüntüsüne sahip olduğunuzda ve bağ oluşumu ve çözülmesinin içsel ve dışsal sürücülerini eş zamanlı olarak modellemek istediğinizde dinamik bir ERGM kullanın. Nispeten küçük ila orta boyutlu ağlar (birkaç bin düğüme kadar) ikili bağlar ve panel yapısı için uygundur. Sürekli kenar ağırlıklarına sahip ağlarda (ağırlıklı ağlar farklı çerçeveler gerektirir), yalnızca tek bir kesitsel anlık görüntü mevcut olduğunda (bunun yerine statik ERGM kullanın), ağ on binlerce düğüme sahip olduğunda (hesaplama maliyeti karşılanamaz hale gelir) veya zamansal gecikme yapısı bilinmediğinde ve teorik olarak tanımlanmadığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Bağ oluşumunu ve çözülmesini ortaklaşa modeller, yeni bağlar oluşturan kuvvetleri mevcut olanları sürdürenlerden ayırır.
- Gözlemlenen geçmiş ağa koşullu olarak, boylamsal ağ değişimi hakkında nedensel tarzı çıkarımlara olanak tanır.
- Standart regresyonun bağımsızlık varsayımlarını ihlal eden içsel ağ istatistiklerini (karşılıklılık, üçgenler) ele alır.
- Simülasyon yoluyla iyi uyum tanıları, modelin gözlemlenen ağ dağılımını yeniden üretip üretmediğini ortaya koyar.
- Yapısal ve kovaryant terimler üzerindeki yorumlanabilir katsayılar, teori odaklı ağ analizini destekler.
- Hesaplama açısından yoğundur: MCMLE, birkaç bin düğümden daha büyük ağlarda yavaş olabilir veya yakınsamayabilir.
- Model dejenerasyonu kalıcı bir risktir - üçgen ve iki yıldız terimlerinin belirli kombinasyonları neredeyse tam veya neredeyse boş ağlar üretebilir.
- En az iki ağ gözlemi gerektirir; daha fazla zaman noktası tahmini iyileştirir ancak maliyeti artırır.
- Zamansal gecikme (t'den t-1'e) seçimi teorik olarak yönlendirilir; gecikmeyi yanlış belirtmek tüm tahminleri yanlı hale getirebilir.
SSS
TERGM statik bir ERGM'den nasıl farklıdır?
Statik bir ERGM, yapısal istatistiklerin bir fonksiyonu olarak tek bir ağ anlık görüntüsünü modeller. TERGM ayrıca önceki zaman noktasının ağına koşullu olarak, modelin geçmiş bağların gelecekteki bağları nasıl etkilediğini yakalamasına ve oluşum ile çözülme süreçlerini ayrı ayrı tahmin etmesine olanak tanır.
STERGM nedir ve TERGM ile nasıl ilişkilidir?
STERGM (Ayrılabilir Zamansal ERGM), Krivitsky ve Handcock (2014) tarafından geliştirilen, bağ oluşumu ve bağ çözülmesini ayrı parametre vektörleriyle modelleyen bir çeşittir, aynı yapısal kuvvetlerin her iki süreci de eşit şekilde yönlendirmesi gerekmediğini kabul eder. R tergm paketinde bulunan en yaygın kullanılan dinamik ERGM uygulamasıdır.
Kaç zaman noktasına ihtiyacım var?
En az iki gözlem gereklidir. Uygulamada, üç veya daha fazla zaman noktası parametre kararlılığını iyileştirir ve çapraz doğrulama sağlar. Çok kısa paneller (iki nokta) dikkatli yorumlanmalıdır, özellikle çözülme parametreleri için.
Modelim dejenerasyon belirtileri gösterirse ne yapmalıyım?
Dejenerasyon, uyarlanmış modelden simüle edilen ağlar çoğunlukla boş veya çoğunlukla tam olduğunda ortaya çıkar. Üçgen veya iki yıldız terimlerinin sayısını azaltın, dejenerasyona daha az eğilimli olan geometrik olarak ağırlıklı alternatif istatistikleri (GWESP, GWDEGREE) düşünün ve her revizyondan sonra iyi uyum tanılarını yeniden çalıştırın.
TERGM'yi ağırlıklı veya değerli ağlarda kullanabilir miyim?
Standart TERGM uygulamaları ikili bağları varsayar. Değerli (ağırlıklı) dinamik ağlar, değerli ERGM'ler veya gizli uzay modelleri gibi ayrı çerçeveler gerektirir. TERGM'yi uyarlamadan önce kenar ağırlıklarını ikili hale getirmek bir seçenektir ancak bilgi kaybına neden olur ve teorik olarak gerekçelendirilmelidir.
Kaynaklar
- 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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Exponential Random Graph Model (Temporal ERGM). ScholarGate. https://scholargate.app/tr/network-analysis/dynamic-exponential-random-graph-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Stokastik Blok Modeli (DSBM)Ağ analizi↔ karşılaştır
- Ağ Yayılım AnaliziAğ analizi↔ karşılaştır
- Stokastik Blok ModeliAğ analizi↔ karşılaştır
- Zaman Ağları AnaliziAğ analizi↔ karşılaştır