基于横断面数据的STERGMs的近似方法
摘要：时间指数族随机图模型（TERGMs）是一类用于网络关系形成和解散动态的灵活的网络模型。在实践中，可分离的TERGMs（STERGMs）是最常用的子类，因为这些模型允许从廉价的横截面研究设计中进行估计，并且受益于旨在减轻计算负担的近似方法。改进这些近似方法是本文的重点。我们扩展了Carnegie等人的工作，解决了构建具有两个特定平衡性质的STERGM的问题：由给定的指数族随机图模型（ERGM）定义的横截面分布，以及由给定的解散风险常数定义的关系持续时间。我们从Carnegie等人的观察开始，他们指出在dyad独立的情况下，精确结果是可处理的，然后我们展示了在精确结果的稀疏限制下，得到了与他们提出的不同的近似方法。我们展示了在稀疏的dyad独立模型中，新的近似方法优于旧的方法，并且对于dyad依赖模型，两种近似方法的错误 tend to increase with the level of dependence.，都随着依赖程度的增加而增加。然后，我们将Carnegie等人的理论结果扩展到dyad依赖情况，证明了随着STERGM时间步长趋近于零，对于任意dyad依赖项和一些dyad依赖约束，旧的和新的近似方法均渐近精确。我们还展示了离散时间近似的连续时间极限确实具有我们寻求的横截面和持续性平衡行为的组合效果。
作者：Chad Klumb, Martina Morris, Steven M. Goodreau, Samuel M. Jenness
论文ID：2112.03239
分类：Computation
分类简称：stat.CO
提交时间：2022-03-22