ERGM 网络模型简介

什么是 ERGM？

• 指数随机图模型 (Exponential Random Graph Models, ERGM)* 是一类用于分析社会网络及其他复杂网络结构的统计模型。与传统的回归分析不同，ERGM 不假设观测值（即网络中的边）是相互独立的，而是明确地对网络中边的依赖关系进行建模。

核心原理

ERGM 将观察到一个特定网络 $Y$ 的概率定义为：

$$ P(Y=y) = \frac{1}{\kappa} \exp\left( \sum_{i} \theta_i g_i(y) \right) $$

其中：

• $y$ 代表一个具体的网络 realization。
• $g_i(y)$ 是网络的统计量（如：边的总数、三角形的数量、星型结构的数量等）。
• $\theta_i$ 是对应的参数，表示该结构在网络形成中的重要程度。
• $\kappa$ 是归一化常数，确保所有可能网络的概率之和为 1。

模型功能

本模型 (main.R) 主要用于：

1. 描述网络结构：量化网络中是否存在显著的聚类、中心度或同质性倾向。
2. 假设检验：测试某些微观结构（如“朋友的朋友也是朋友”的传递性）是否显著影响了整体网络的形成。
3. 预测与模拟：基于估计的参数生成具有相似统计特征的新网络。

适用场景

• 社会学研究（友谊网络、合作网络）
• 生物学（蛋白质相互作用网络）
• 信息技术（互联网拓扑、社交媒体关注关系）

结果展示说明

本部分描述运行 main.R 脚本后的预期文本输出流程。

1. 输入阶段

用户在 R 环境中执行以下操作：

• 输入动作：加载 ergm 和 network 库，并运行 source("main.R") 或直接执行脚本内容。
• 输入数据：脚本内部自动生成一个包含 20 个节点的随机有向邻接矩阵作为模拟数据（无需外部文件）。

2. 处理过程反馈

控制台将依次显示以下状态信息：

• 首先输出提示信息：正在拟合 ERGM 模型...
• 随后，MCMC (马尔可夫链蒙特卡洛) 算法开始迭代采样，以估计模型参数。此过程可能伴随进度条或迭代日志（取决于 R 的全局设置）。

3. 最终输出内容

模型拟合完成后，控制台将打印出一个标准的统计摘要表格，包含以下关键部分：

A. 模型公式确认

显示被估计的模型结构，例如：
Formula: net ~ edges + triangle

B. 系数估计表 (Coefficient Estimates)

输出一个包含三列的数据框：

• Term (项): 列出模型中的统计量，如 edges (边数) 和 triangle (三角形数)。
• Estimate (估计值): 显示对应的 $ heta$ 参数值。
  • 若 triangle 的估计值为正且显著，说明网络中存在显著的传递性（聚类）。
  • 若 edges 的估计值为负，通常表示网络较为稀疏。
• Std. Error (标准误): 参数估计的波动范围。
• P-value (P 值): 显著性检验结果。通常标记 *** 表示 p < 0.001，意味着该结构效应在统计上高度显著。

C. 收敛性诊断信息

• 输出 MCMC 采样的接受率 (Acceptance Rate) 和样本量信息，用于判断模型是否收敛。
• 最后显示结束提示：模型拟合完成。系数可用于解释网络形成的机制。

4. 结论解读示例

用户根据输出的文字结果可得出的结论示例：

"结果显示 triangle 项的系数为 0.85 (p < 0.01)，表明在该模拟网络中，形成封闭三角形的概率显著高于随机期望，证实了网络具有明显的聚类特征。"