Avsnitt
Bayesiansk analys av sociala nätverk med Bergm
med Alberto Caimo
useR!2017: Bayesiansk analys av sociala nätverk med Be...
Nyckelord: Bayesiansk analys, exponentiella slumpmässiga grafmodeller, Monte Carlo-metoder
Webbsidor:https://CRAN.R-project.org/package=Bergm
Exponentiella slumpmässiga grafmodeller (ERGM) är en mycket viktig familj av statistiska modeller för analys av nätverksdata. Ur beräkningssynpunkt är ERGM:er extremt svåra att hantera eftersom deras normaliserande konstant, som är beroende av modellparametrar, är svårhanterlig. I det här samtalet visar vi hur parameterinferens kan utföras i ett bayesiskt ramverk med hjälp av MCMC-strategier som kringgår behovet av att beräkna normaliserande konstanter.
Den nya versionen av Bergm-paketet för R (Caimo och Friel 2014) ger ett omfattande ramverk för Bayesiansk analys för ERGM med hjälp av den ungefärliga utbytesalgoritmen (Caimo och Friel 2011) och kalibrering av pseudo-posterior-fördelningen (Bouranis, Friel och Maire 2015) för att ta prov från ERGM-parametern posterior distribution. Paketet kan också tillhandahålla grafiska bayesiska lämplighetsprocedurer som åtgärdar problemet med modelltäckning.
Detta tal kommer att ha ett starkt fokus på de viktigaste praktiska implementeringsfunktionerna i programvaran som kommer att beskrivas av analysen av verkliga nätverksdata (med olika tillämpningar inom neurovetenskap och organisationsvetenskap).
Refererar till Bouranis, L., N. Friel och F. Maire. 2015. "Bayesian inference for Misspecified Exponential Random Graph Models." arXiv Preprint arXiv:1510.00934.
Caimo, A., och N. Friel. 2011. "Bayesian inference for Exponential Random Graph Models." Sociala nätverk 33 (1): 41–55.
———. 2014. "Bergm: Bayesian exponentiella slumpmässiga grafer i R." Journal of Statistical Software 61 (2): 1–25.
useR!2017: Bayesiansk analys av sociala nätverk med Be...
Nyckelord: Bayesiansk analys, exponentiella slumpmässiga grafmodeller, Monte Carlo-metoder
Webbsidor:https://CRAN.R-project.org/package=Bergm
Exponentiella slumpmässiga grafmodeller (ERGM) är en mycket viktig familj av statistiska modeller för analys av nätverksdata. Ur beräkningssynpunkt är ERGM:er extremt svåra att hantera eftersom deras normaliserande konstant, som är beroende av modellparametrar, är svårhanterlig. I det här samtalet visar vi hur parameterinferens kan utföras i ett bayesiskt ramverk med hjälp av MCMC-strategier som kringgår behovet av att beräkna normaliserande konstanter.
Den nya versionen av Bergm-paketet för R (Caimo och Friel 2014) ger ett omfattande ramverk för Bayesiansk analys för ERGM med hjälp av den ungefärliga utbytesalgoritmen (Caimo och Friel 2011) och kalibrering av pseudo-posterior-fördelningen (Bouranis, Friel och Maire 2015) för att ta prov från ERGM-parametern posterior distribution. Paketet kan också tillhandahålla grafiska bayesiska lämplighetsprocedurer som åtgärdar problemet med modelltäckning.
Detta tal kommer att ha ett starkt fokus på de viktigaste praktiska implementeringsfunktionerna i programvaran som kommer att beskrivas av analysen av verkliga nätverksdata (med olika tillämpningar inom neurovetenskap och organisationsvetenskap).
Refererar till Bouranis, L., N. Friel och F. Maire. 2015. "Bayesian inference for Misspecified Exponential Random Graph Models." arXiv Preprint arXiv:1510.00934.
Caimo, A., och N. Friel. 2011. "Bayesian inference for Exponential Random Graph Models." Sociala nätverk 33 (1): 41–55.
———. 2014. "Bergm: Bayesian exponentiella slumpmässiga grafer i R." Journal of Statistical Software 61 (2): 1–25.
Har du feedback till oss? Skicka in ett problem här.