Episode
Analisis jejaring sosial Bayesian dengan Bergm
dengan Alberto Caimo
useR!2017: Analisis jejaring sosial Bayes dengan Be...
Kata kunci: Analisis Bayesian, Model grafik acak eksponensial, metode Monte Carlo
Halaman web: https://CRAN.R-project.org/package=Bergm
Model grafik acak eksponensial (ERGM) adalah keluarga model statistik yang sangat penting untuk menganalisis data jaringan. Dari sudut pandang komputasi, ERGM sangat sulit ditangani karena konstanta normalisasinya, yang tergantung pada parameter model, tidak dapat dipisahkan. Dalam pembicaraan ini, kami menunjukkan bagaimana inferensi parameter dapat dilakukan dalam kerangka kerja Bayesian menggunakan strategi MCMC yang menghindari kebutuhan untuk menghitung konstanta normalisasi.
Versi baru paket Bergm untuk R (Caimo dan Friel 2014) menyediakan kerangka kerja komprehensif untuk analisis Bayesian untuk ERGM menggunakan perkiraan algoritma pertukaran (Caimo dan Friel 2011) dan kalibrasi distribusi pseudo-posterior (Bouranis, Friel, dan Maire 2015) untuk mengambil sampel dari distribusi posterior parameter ERGM. Paket ini juga dapat menyediakan prosedur kebaikan kecocokan Bayesian grafis yang mengatasi masalah kecukupan model.
Pembicaraan ini akan memiliki fokus yang kuat pada fitur implementasi praktis utama perangkat lunak yang akan dijelaskan oleh analisis data jaringan nyata (dengan berbagai aplikasi dalam Ilmu Neurosains dan Organisasi).
Referensi Bouranis, L., N. Friel, dan F. Maire. 2015. "Inferensi Bayesian untuk Model Grafik Acak Eksponensial yang Salah Dijawab." arXiv Preprint arXiv:1510.00934.
Caimo, A., dan N. Friel. 2011. "Inferensi Bayesian untuk Model Grafik Acak Eksponensial." Jejaring Sosial 33 (1): 41–55.
———. 2014. "Bergm: Grafik Acak Eksponensial Bayesian di R." Jurnal Perangkat Lunak Statistik 61 (2): 1–25.
useR!2017: Analisis jejaring sosial Bayes dengan Be...
Kata kunci: Analisis Bayesian, Model grafik acak eksponensial, metode Monte Carlo
Halaman web: https://CRAN.R-project.org/package=Bergm
Model grafik acak eksponensial (ERGM) adalah keluarga model statistik yang sangat penting untuk menganalisis data jaringan. Dari sudut pandang komputasi, ERGM sangat sulit ditangani karena konstanta normalisasinya, yang tergantung pada parameter model, tidak dapat dipisahkan. Dalam pembicaraan ini, kami menunjukkan bagaimana inferensi parameter dapat dilakukan dalam kerangka kerja Bayesian menggunakan strategi MCMC yang menghindari kebutuhan untuk menghitung konstanta normalisasi.
Versi baru paket Bergm untuk R (Caimo dan Friel 2014) menyediakan kerangka kerja komprehensif untuk analisis Bayesian untuk ERGM menggunakan perkiraan algoritma pertukaran (Caimo dan Friel 2011) dan kalibrasi distribusi pseudo-posterior (Bouranis, Friel, dan Maire 2015) untuk mengambil sampel dari distribusi posterior parameter ERGM. Paket ini juga dapat menyediakan prosedur kebaikan kecocokan Bayesian grafis yang mengatasi masalah kecukupan model.
Pembicaraan ini akan memiliki fokus yang kuat pada fitur implementasi praktis utama perangkat lunak yang akan dijelaskan oleh analisis data jaringan nyata (dengan berbagai aplikasi dalam Ilmu Neurosains dan Organisasi).
Referensi Bouranis, L., N. Friel, dan F. Maire. 2015. "Inferensi Bayesian untuk Model Grafik Acak Eksponensial yang Salah Dijawab." arXiv Preprint arXiv:1510.00934.
Caimo, A., dan N. Friel. 2011. "Inferensi Bayesian untuk Model Grafik Acak Eksponensial." Jejaring Sosial 33 (1): 41–55.
———. 2014. "Bergm: Grafik Acak Eksponensial Bayesian di R." Jurnal Perangkat Lunak Statistik 61 (2): 1–25.
Memiliki umpan balik? Kirimkan masalah di sini.