Üstel Rastgele Grafik Modeli (ERGM / p*)
Exponential Random Graph Model (ERGM / p*) · Ayrıca şöyle bilinir: ERGM, p-star model, p* model, Üstel Rastgele Graf Modeli (ERGM / p*)
Üstel Rastgele Grafik Modeli (ERGM), aynı zamanda p* modeli olarak da bilinen, gözlemlenen bir ağın olasılığını karşılıklılık, üçgenler ve derece dağılımı gibi yerel yapısal özelliklerinin bir fonksiyonu olarak modelleyen bir ağ analizi istatistiksel çerçevesidir. Frank ve Strauss (1986) tarafından yapılan temel çalışmalardan geliştirilen ve Wasserman ve Pattison (1996) ile Robins ve diğerleri (2007) tarafından modern çerçeveye genişletilen ERGM, sosyal ağ analizi için çıkarımsal standart olup, gözlemlenen ağ yapılarının şans eseri mi ortaya çıktığını yoksa gerçek sosyal süreçleri mi yansıttığını test etme yeteneğine sahiptir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
ERGM, tek bir gözlemlenen ağınız olduğunda (kesitsel veya boylamsal bir anlık görüntü) ve hangi yerel yapısal süreçlerin — karşılıklılık, kümelenme, tercihen bağlanma, homofili — onu ürettiğini test etmek istediğinizde uygundur. Ağ küçük ila orta boyutta olmalıdır; MCMC yakınsaması çok büyük ağlar (binlerce düğüm) için zorlaşır. Model, yönlü veya yönsüz ikili bağlar gerektirir (ağırlıklı varyantlar mevcuttur ancak daha karmaşıktır). Yaklaşık 20-30 düğümden az ağlarda, net teorik yapısal konfigürasyon hipotezleri olmadığında veya sürekli zaman dinamiklerini modellemeniz gerektiğinde (bunun yerine Zamansal ERGM veya Stokastik Aktör Odaklı Model kullanın) uygun değildir.
Güçlü yönler & sınırlılıklar
- Ağ yapısal hipotezleri için resmi istatistiksel çıkarım — p-değerleri, standart hatalar ve güven ifadeleri — sağlar.
- Ağ verileri için doğru çıkarımsal araç haline getirerek, standart regresyonun varsayımlarını ihlal eden ağ bağlarının bağımsızlığını ele alır.
- Yönlü, yönsüz, iki parçalı ve ağırlıklı varyantlar birçok ağ türünü kapsayacak şekilde esnek belirtim sunar.
- Uyum iyiliği tanıları, modelin küresel ağ yapısını yerel istatistiklerden yeniden üretip üretmediğini değerlendirmek için ilkeli bir yol sağlar.
- MCMC tahmini yavaş olabilir ve büyük ağlar için yakınsamayabilir; pratik sınırlar tipik olarak birkaç yüz ila birkaç bin düğümdür.
- Model dejenerasyonu — tahmin edilen modelin neredeyse tüm olasılığı boş veya tam ağlara ataması — dikkatli istatistik seçimi gerektiren kalıcı bir risktir.
- Model öncelikle kesitsel anlık görüntüler için tasarlanmıştır; gerçek ağ dinamiklerini modellemek Zamansal ERGM (TERGM) veya SAOM'lar gibi uzantılar gerektirir.
- Güvenilir parametre tahmini için minimum yaklaşık 30 düğüm gerektirir; çok küçük ağlar bilgilendirici olmayan tahminler verir.
SSS
ERGM, adi ikili regresyondan nasıl farklıdır?
Lojistik regresyon, her bir bağı makul bir şekilde bağımsız bir gözlem olarak ele alır, bu da ağ verilerinin temel bağımsızlığını ihlal eder — bir bağın varlığı diğerlerinin olasılığını değiştirir. ERGM, tüm ağ yapısına koşullandırarak bu bağımlılığı açıkça modeller ve bu nedenle ağ verileri için istatistiksel olarak doğru yaklaşımdır.
Dejenerasyon nedir ve nasıl önlenir?
Dejenerasyon, tahmin edilen modelin neredeyse tüm olasılığı boş veya tam ağa ataması durumunda ortaya çıkar ve bu da modeli kullanışsız hale getirir. En sık ham üçgen sayım istatistiğinin dahil edilmesinden kaynaklanır. Çözüm, eğimli üstel aile istatistikleri olan ve doğal olarak daha kararlı olan geometrik olarak ağırlıklandırılmış sürümleri — üçlü kapanış için GWESP ve derece dağılımı için GWD — kullanmaktır.
Ağım ne kadar büyük olmalı?
Pratik bir alt sınır olarak, güvenilir parametre tahmini için yaklaşık 30 düğüm minimumdur. 50-300 düğümlü ağlar, uygulamalı çalışmalarda en yaygın aralıktır. Birkaç bin düğümün ötesinde, MCMC yakınsaması çok yavaşlar ve stokastik blok modelleri veya gizli alan modelleri gibi alternatif modeller daha pratik olabilir.
ERGM, boylamsal ağ değişimini modelleyebilir mi?
Standart kesitsel ERGM, tek bir ağ anlık görüntüsünü modeller. Tekrarlanan ağ gözlemleriyle panel verileri için, Zamansal ERGM (TERGM) veya Stokastik Aktör Odaklı Model (SAOM / SIENA), zaman içindeki bağ dinamiklerini modelleyen uygun uzantılardır.
Kaynaklar
- Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social Networks, 29(2), 173-191. DOI: 10.1016/j.socnet.2006.08.002 ↗
- Lusher, D., Koskinen, J., & Robins, G. (Eds.) (2012). Exponential Random Graph Models for Social Networks: Theory, Methods, and Applications. Cambridge University Press. ISBN: 9780521193566
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Exponential Random Graph Model (ERGM / p*). ScholarGate. https://scholargate.app/tr/network-analysis/exponential-random-graph
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensellik Keşfi Algoritmaları (PC, FCI, LiNGAM)Nedensel çıkarım↔ karşılaştır
- Topluluk TespitiAğ analizi↔ karşılaştır
- Graf Dikkat AğıDerin öğrenme↔ karşılaştır
- Metin Ağı AnaliziMetin madenciliği↔ karşılaştır