Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Байєсівський аналіз соціальних мереж× | Байєсівська експоненційна випадкова графова модель× | |
|---|---|---|
| Галузь | Мережевий аналіз | Мережевий аналіз |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2002 | 2011 |
| Автор методу≠ | Hoff, P. D.; Raftery, A. E.; Handcock, M. S. | Caimo, A., & Friel, N. |
| Тип≠ | Probabilistic / Bayesian network model | Bayesian statistical model for networks |
| Основоположне джерело≠ | Hoff, P. D., Raftery, A. E., & Handcock, M. S. (2002). Latent space approaches to social network analysis. Journal of the American Statistical Association, 97(460), 1090–1098. DOI ↗ | Caimo, A., & Friel, N. (2011). Bayesian inference for exponential random graph models. Social Networks, 33(1), 41–55. DOI ↗ |
| Інші назви | Bayesian SNA, Bayesian network modeling, probabilistic social network analysis, Bayesian relational modeling | Bayesian ERGM, Bayesian p-star model, Bayesian p* model, BERGM |
| Пов'язані≠ | 5 | 4 |
| Підсумок≠ | Bayesian Social Network Analysis applies Bayesian probabilistic inference to relational data, placing prior distributions over network parameters and updating them with observed tie data to yield full posterior distributions over structural features, tie probabilities, and latent actor positions. It enables principled uncertainty quantification in network models, making it especially valuable when data are sparse, partially observed, or subject to measurement error. | The Bayesian Exponential Random Graph Model (Bayesian ERGM or BERGM) extends the classical ERGM framework by placing prior distributions over the model parameters and using Markov chain Monte Carlo methods to obtain full posterior distributions. Introduced by Caimo and Friel (2011), it allows researchers to quantify parameter uncertainty and incorporate prior knowledge when modelling the structural features of social and other complex networks. |
| ScholarGateНабір даних ↗ |
|
|