• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Proceedings of the 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining >Estimating exponential random graph models using sampled network data via graphon
【24h】

Estimating exponential random graph models using sampled network data via graphon

机译：使用通过graphon采样的网络数据估算指数随机图模型

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Analysis of large networks is of interest to many disciplines. Full network data are often hard to collect, storage and analyze. In particular, in many social science surveys, ego nomination techniques have been used to collect the egocentric networks of the randomly sampled survey respondents. In this paper, we propose a sample-GLMLE method that fits exponential random graph models (ERGM) to such sampled egocentric networks. It is an extension of a previous graph-limit based maximum likelihood estimation (GLMLE) method for full network that uses graphon to bridge the estimation of ERGM using observed network data. In this paper, we provide solutions to computational issues that are unique to sampled network data and evaluate the proposed method using simulations. We also apply sample-GLMLE to the public-use set of the National Longitudinal Study of Adolescent Health (AddHealth) study.
机译：大型网络的分析是许多学科感兴趣的。完整的网络数据通常很难收集，存储和分析。特别是，在许多社会科学调查中，自我提名技术已用于收集随机抽样的调查受访者的以自我为中心的网络。在本文中，我们提出了一种样本-GLMLE方法，该方法将指数随机图模型（ERGM）拟合到此类样本的以自我为中心的网络。它是以前的基于图限制的全网最大似然估计（GLMLE）方法的扩展，该方法使用graphon桥接使用观察到的网络数据进行的ERGM估计。在本文中，我们为采样网络数据所特有的计算问题提供了解决方案，并通过仿真评估了所提出的方法。我们还将样本GLMLE应用于国家青少年健康纵向研究（AddHealth）研究的公共用途。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号