了得網社會科學_指數隨機圖模型導論

編輯推薦

本書介紹了指數*圖模型（ERGM）的發展歷程、基本概念和原理，展示了該模型的建模和使用方法以及在實踐中應當如何運用該模型，有助於讀者了解和初步掌握社會網絡分析方法和統計網絡模型。在模型建構部分，本書從R軟件和statnet軟件包的獲取與準備、數據獲取與探索、模型建構和曲線指數族模型等幾個步驟入手，詳細解說了指數*圖模型的建模方法。本書作為指數*圖模型建構和使用方法的指導書籍，不僅填補了此前沒有該模型繫統的建構和使用指南的空缺，而且也具有很高的可操作性，幫助讀者學習指數*圖模型。

內容簡介

本書介紹了指數*圖模型的基本概念和原理，展示了該模型的建模和使用方法以及在實踐中應當如何運用該模型。指數*圖模型主要用於社會網絡分析。相比傳統的描述性方法，指數*圖模型作為一種統計方法能夠更好地構建社會網絡結構模型。雖然指數*圖模型是為了應對網絡數據中內在的非獨立性，但是該模型的結果通常都以類似於邏輯回歸的方式進行展示和闡釋，從而使其成為檢驗社會繫統的有用方法。近年來統計軟件的開發和進步幫助社會科學家也能輕松地使用指數*圖模型，但關於該模型的使用卻還沒有一個簡明清晰的指導。因此，本書旨在填補這一空缺，帶領讀者通過使用R統計軟件和statnet軟件包，學習指數*圖模型的建模和使用操作。

作者簡介

詹寧·K.哈瑞斯（Jenine K. Harris），美國聖路易斯華盛頓大學布朗學院副教授，教授公共衛生和社會工作研究生課程。主要研究領域為公共衛生和社會工作。目前的研究主要采用復雜統計網絡模型，以更好地理解和解釋美國地方衛生部門的溝通網絡聯繫，尤其是社交媒體聯繫。

序
第1章網絡分析方法的希望與挑戰
第1節歷史與概念
第2節網絡術語
第2章統計網絡模型
第1節簡單隨機圖
第2節 ERGM的發展
第3節本章小結
第3章建立一個有效的指數隨機圖模型
第1節軟件獲取與準備
第2節數據獲取
第3節數據探索
第4節模型構建
第5節曲線指數族模型序
第1章網絡分析方法的希望與挑戰
    第1節歷史與概念
    第2節網絡術語
第2章統計網絡模型
    第1節簡單隨機圖
    第2節 ERGM的發展
    第3節本章小結
第3章建立一個有效的指數隨機圖模型
    第1節軟件獲取與準備
    第2節數據獲取
    第3節數據探索
    第4節模型構建
    第5節曲線指數族模型
第4章面向有向網組屬性的應用
    第1節針對有向網絡的研究
    第2節組和網絡協變量作為預測變量
第5章結論與建議
附錄
參考文獻
譯名對照表
譯後記

前言

自20世紀初喬治·齊美爾（GeorgSimmel）首次論述社會網絡相關問題以來（Simmel Wolff，1950），社會科學家對於個體之間、組織之間以及其他實體之間相互關聯的網絡問題一直保持高度的關注（參見例如Fienberg，2012）。20世紀30年代，心理醫生雅各布·莫雷諾（JacobMoreno，1934）的工作為社會網絡研究奠定了基礎，並將此領域命名為“社會計量學”（sociometry）。在莫雷諾的諸多重要成果中，核心成果便是發明了社群圖（sociogram）方法，通過將個體圖形化表示為節點，個體之間聯繫圖形化表示為連線的形式，社群圖方法就能夠用來解釋社會結構問題。
在社會網絡分析發展的歷程中，社群圖方法被證明是十分重要的，原因之一是社群圖方法將圖論的基礎理論引入到了社會網絡分析中來。圖論是一個專門處理由節點（點）以及相連的邊（連線）所組成的數學分支，其中，網絡圖既可以是有向的，即網絡中的邊通常由從一個節點到另一個節點的箭頭所表示，從而展現節點之間潛在的非對稱聯繫；網絡圖也可以是無向的，直接用線段來表示網絡中的邊。大多數研究社會網絡的傳統方法都是來源於圖論的，社會科學中的定量研究方法應用繫列叢書（QASS）中，有一本較早的著作，是由諾克和楊（Knoke Yang，2008）撰寫的《社會網絡分析》，該書就主要是采用這種（傳統）方法。
自20世紀初喬治·齊美爾（GeorgSimmel）首次論述社會網絡相關問題以來（Simmel&Wolff，1950），社會科學家對於個體之間、組織之間以及其他實體之間相互關聯的網絡問題一直保持高度的關注（參見例如Fienberg，2012）。20世紀30年代，心理醫生雅各布·莫雷諾（JacobMoreno，1934）的工作為社會網絡研究奠定了基礎，並將此領域命名為“社會計量學”（sociometry）。在莫雷諾的諸多重要成果中，核心成果便是發明了社群圖（sociogram）方法，通過將個體圖形化表示為節點，個體之間聯繫圖形化表示為連線的形式，社群圖方法就能夠用來解釋社會結構問題。
在社會網絡分析發展的歷程中，社群圖方法被證明是十分重要的，原因之一是社群圖方法將圖論的基礎理論引入到了社會網絡分析中來。圖論是一個專門處理由節點（點）以及相連的邊（連線）所組成的數學分支，其中，網絡圖既可以是有向的，即網絡中的邊通常由從一個節點到另一個節點的箭頭所表示，從而展現節點之間潛在的非對稱聯繫；網絡圖也可以是無向的，直接用線段來表示網絡中的邊。大多數研究社會網絡的傳統方法都是來源於圖論的，社會科學中的定量研究方法應用繫列叢書（QASS）中，有一本較早的著作，是由諾克和楊（Knoke&Yang，2008）撰寫的《社會網絡分析》，該書就主要是采用這種（傳統）方法。
傳統的網絡分析方法主要是描述性的，並不采用具有統計學意義上的隨機變量模型構建方法。明確提出以網絡結構為中心建立概率模型的思想可以追溯到20世紀中葉，即吉爾伯特、艾多斯以及瑞尼（Gilbert，1959；Erdos&Renyi，1959）解釋了網絡結構中為基礎的零模型（nullmodel）。在零模型中，所有的節點對都是以同等的概率建立連線，無論是在有向網絡還是無向網絡中，簡單圖模型都是被廣泛采用的模型。
20年之後，霍蘭德和萊因哈特（Holland&Leindardt，1981）引入了一種針對有向圖的Gilbert-Erdos-Renyi零模型的變種。其中，關繫形成（tieformation）的概率受到個體的群集性（gregariousness，個體對外與他人建立聯繫的屬性）以及受歡迎程度（popularity，他人與該個體建立聯繫的屬性）的影響。在此之後不久，1981年，芬博格和沃瑟曼（Fienberg&Wasserman，1981）將霍蘭德和萊因哈特的p1模型改造為對數線性模型，對數線性模型是一種為統計學家和社會科學家所熟知的模型，這樣一來，學者們就可以方便對模型的參數進行似然估計了。此外，芬博格和沃瑟曼還對p1模型進行了擴展，將網絡的“互惠性”（reciprocity）特征納入到模型中來，並以“互惠性”特征作為網絡連線概率增強的機制——例如，在一個朋友網絡中，如果A選擇B，那麼，B選擇A的概率就會提升。
正如詹寧·哈瑞斯（JenineHarris）在本書中所解釋的，吉爾伯特等人的零模型，霍蘭德和萊因哈特的p1模型，以及芬博格和沃瑟曼（1981）的擴展模型都是指數隨機圖模型（exponentialrandomgraphmodels，EGRMs）家族的成員。過去30年裡，指數隨機圖模型的研究取得了長足的進展，而且已經成為了目前社會網絡分析中重要的統計工具。在這個進程中，指數隨機圖模型不斷彰顯著自己在展現社會網絡結構特征分析方面的洞察力，例如對聚類或“聚簇”的分析。
近年來，面對大數據分析所帶來的挑戰與激勵，計算機科學家和統計物理學家，與統計學家、社會科學家並肩作戰，對社會網絡分析的發展起到了直接推動作用。源於社會生活中的大型網絡數據尤為龐大與復雜，如Facebook的數據，這也促使研究人員必須不斷研究更為復雜的網絡模型，不斷改進統計軟件的計算能力，以確保研究的模型能夠適應大數據的環境。哈瑞斯在其書中介紹了由statnet團隊所研發的的網絡分析軟件（Handcocketal.，2003），該軟件是針對R的統計計算環境而開發的（RCoreTeam，2013），是一款廣泛使用的、免費且開源的統計分析平臺。
本書介紹了如何建立指數隨機圖模型，並解釋了如何在實踐中使用該模型，詹寧·哈瑞斯的工作對於采用社會網絡分析的社會學家而言十分重要。我希望她的這本著作將會有較廣泛的讀者群，同時，期待該書能夠對社會科學中社會網絡分析質量的提升產生實質性的影響。
約翰·福克斯（JohnFox）

在線試讀

數十年來，網絡科學家一直致力於改變一種現狀，即現有的統計網絡模型（如簡單隨機圖模型）在解釋真實社會網絡的結構特征方面無法取得良好的效果。而馬爾科夫依賴假設的應用及發展，可以幫助研究人員在統計網絡模型建立的過程中，引入更為寬泛與復雜的依賴性假設，這一點對於研究人員展現、解釋以及預測所觀測的社會結構是十分有益的。雖然，指數隨機圖模型（ERGM）與基於二值數據的邏輯回歸模型所依賴假設條件有所區別，但兩者在模型的解釋上的確具有較大的相似性。即，網絡的連線被視為一種輸出（不再被視為輸入），而網絡的成員屬性以及結構特征有助於解釋、預測一條連線形成的概率（Hunter，Goodreau&Handcock,2008)。
接下來這部分將展示一個復雜指數隨機圖模型的構建過程。在模型構建之初，首先通過探索性分析，識別觀測網絡的特征，並且獲取在模型構建過程中具有重要影響意義的成員信息。指數隨機圖模型的構建過程是從簡單隨機圖模型開始的，此時，簡單隨機圖模型僅考察網絡的密度指標；隨後，通過添加主效應（maineffects）和交互（interaction）統計項的方式將網絡成員的屬性特征納入到模型中來，該步驟完成後將會形成獨立性模型；終，幾何統計項將作為主效應和交互統計項的補充被納入到模型中來，彌補前述模型在獲取網絡結構特征上的不足，從而形成一個新的依賴性模型。另外，在構建模型的過程中，本章也會穿插介紹針對模型擬合優度評價、模型診斷工具與策略以及模型結果的解釋等內容。
本書的附錄A部分（可以在線獲取）包含了一個可用於復制分析過程的R命令列表，具有編號和標記的代碼都可以從附錄A中獲取。本書中凡是標注了“Command1”的地方，對應附錄A附有標注為“Command1”的代碼，利用該代碼可以復制命令運行的結果。需要注意的是，由於本書中用於執行分析任務的軟件是開源的，因此，這些軟件並不是一成不變的。本書後續部分包含的對應軟件及軟件包的一些命令集可能需要根據軟件版本的變化而進行調整。通過閱讀相關命令的幫助文檔，我們就能夠了解這些命令變化的情況。在本章以及下一章節中存在少數的情況，書中段落部分可能會包含一些命令，這些出現在段落文字中的R命令是用courier字體來書寫的；如果文字帶有下劃線，讀者就需要用特指的文件名稱或者其他信息替換這些文字。例如，命令“read.paj（'datafile'）”就提示讀者在使用該命令時，應采用一個數據文件的真實名稱來替換datafile這個詞。

商品搜索

商品分类

【醫學】

【各大出版社】