کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7538435 1488851 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Conditionally exponential random models for individual properties and network structures: Method and application
ترجمه فارسی عنوان
مدل های تصادفی نمایش داده شده برای خواص فردی و ساختار شبکه: روش و کاربرد
کلمات کلیدی
ترجمه چکیده
مدل های تصادفی منعکس شده به طور کلی به عنوان یک چارچوب احتمالی برای شبکه های پیچیده به کار گرفته شده و به تازگی گسترش یافته اند تا از تنظیمات گسترده تر آماری مانند شبکه های پویا، شبکه های ارزشمند یا شبکه های دو حالته استفاده کنند. هدف ما این است که گام بعدی را در تعمیم این طبقه از مدل ها با توجه به فضاهای نمونه ای که شامل هر دو خانواده شبکه ها و ویژگی های گره ای است که محدودیت های ترکیبی را تعیین می کنند، ارائه می کنیم. ما یک کلاس مدل احتمالاتی برای توزیع مشترک خواص گره (ویژگی های جمعیت شناختی و رفتاری) و ساختارهای شبکه (دوستی و مشارکت حرفه ای) پیشنهاد می کنیم. این یک چارچوب مدل سازی انعطاف پذیر و انعطاف پذیر است که برای ساختن ساختارهای اجتماعی به عنوان همبویی شناخته می شود. ما روش برآوردی بیزی را بر اساس خصوصیات کامل فضاهای نمونه خود را با سیستم های محدودیت های خطی ارائه می کنیم. این یک طرح شبیه سازی دقیق را برای نمونه از احتمال، بر اساس تکنیک های برنامه نویسی خطی فراهم می کند. پس از تجزیه و تحلیل دقیق روش پیشنهادی آماری، رویکرد ما با تحلیل تجربی از نویسندگی مقالات مجله در زمینه علوم اعصاب بین سال های 2009 تا 2013 را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آمار و احتمال
پیش نمایش مقاله
مدل های تصادفی نمایش داده شده برای خواص فردی و ساختار شبکه: روش و کاربرد
چکیده انگلیسی
Exponential random models have been widely adopted as a general probabilistic framework for complex networks and recently extended to embrace broader statistical settings such as dynamic networks, valued networks or two-mode networks. Our aim is to provide a further step into the generalization of this class of models by considering sample spaces which involve both families of networks and nodal properties verifying combinatorial constraints. We propose a class of probabilistic models for the joint distribution of nodal properties (demographic and behavioral characteristics) and network structures (friendship and professional partnership). It results in a general and flexible modeling framework to account for homophily in social structures. We present a Bayesian estimation method based on the full characterization of their sample spaces by systems of linear constraints. This provides an exact simulation scheme to sample from the likelihood, based on linear programming techniques. After a detailed analysis of the proposed statistical methodology, we illustrate our approach with an empirical analysis of co-authorship of journal articles in the field of neuroscience between 2009 and 2013.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Social Networks - Volume 48, January 2017, Pages 202-212
نویسندگان
, , ,