错误估计使用的方法相当的 1994), 和拟合优度图如图 1 所示。毫不奇怪, 这个简单的模型并没有捕捉到大数据的原始网络相比拟合优度的情节。我们接下来考虑标准的马尔可夫模型( 模型 2) 。该模型不收敛有限的参数估计; 在多个运行在不同条件下三角的价值参数跑到正无穷大和其他条款负无穷大; 真正的最大值可能发生在无限的参数, 或观察到的网络下不太可能有限的最大似然参数模型, 该模型拟合过程不能趋同。模型 3中, 减少了马尔可夫模型, 收益率相同的结果。模型 4, 均匀的 realization-dependent Snijders et al .(2006) 模型, 提供了很多更好的结果, 其参数估计都包含在表 1 和图的拟合优度统计图 1b 所示。模型收敛, 很大程度上是能够捕捉分布的程度和共享的合作伙伴, 网络特性, 它是使用一个简单的建模参数化的形式。然而, 该模型的高阶结构路径的能力长度是有限的。一个完全的模型参数化程度分布模型(5) 但不包含其他方面抓住了度分布完全( 我们会惹上麻烦如果它没有); 但我们也完全了集群和测地线(图1 c); 测地线的长度, 它是进一步从比伯努利源数据模型。甚至捕捉度完美很少会告诉一个其他相对当地( 共享的合作伙伴分布) 和全球网络结构( 网格状分布)。既然没有一均匀模型捕获所有的网络结构考虑, 我们求助于迭代添加条款取决于他们的过程改进模型。我们回到伯努利模型作为起点。混合矩阵的伙伴关系由种族和等级( 图中未显示) 显示 withinrace 的强烈倾向和 within-grade 友谊。无疑是一个强大的元素混合在这些属性在网络的形成, 从而可能被包括在任何准确的模型捕获网络生成过程。因此, 首先我们只考虑相关的六个模型这两个数据: 模型 6:g(y)= { Mrace L(y),(y)} 的∈{ 黑人, 西班牙裔, 其他} 与白色
全文预览
