.png){kind=icon}
返回
Marginal Structural Effects for Exponential Random Graph Models
.png){kind=icon}
PRE
AI
DOI：10.1177/00491241261467919.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
指数随机图模型（ERGMs）现已成为社会网络分析的标准工具，因其能够参数化内生网络结构（如二星和三角形）的影响。然而，解释结构ERGM项的系数存在两个问题：首先，在具有非平凡二元依赖关系的模型中，无法在“其他条件不变”的情况下改变结构项的值；其次，结构ERGM项的参数可能受到缩放（不可约性）的影响，从而改变结构系数的方向、大小和显著性。虽然第一个问题在文献中已有记载，但第二个问题此前尚未被报告。本研究引入了一种基于边际结构效应（MSEs）的方法论框架，以解决这两个问题。MSEs通过计算仅在结构项值上存在差异的两个潜在连接的概率差，捕捉内生网络结构的离散边际效应。MSEs为结构网络效应提供了直观的解释，且对缩放效应具有鲁棒性。文中讨论了模型比较、与外生协变量的交互以及网络样本分析的扩展，并使用AddHealth学校网络中最大的一个实例，演示了该框架的应用方法。
期刊
S
IF:
6.5
论文数:
16
被引数:
5
机构
引用论文
Biased estimates of treatment effect in randomized experiments with nonlinear regressions and omitted covariates.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏分享收藏
查看更多内容