The stochastic actor oriented model (SAOM) is a method for modelling social interactions and social behaviour over time. It can be used to model network effects using both exogenous covariates and endogenous network configurations, but also the co-evolution of behaviour and social interactions. The estimation method mostly used is the Method of Moments (MoM). The model assumption that all individuals have the same evaluation function, however, is one of its limitations. The aim of this paper is to generalize the MoM estimation method for the SAOM to include random effects, so that the heterogeneity of individuals can be modelled more accurately. The linear evaluation function that models the probability of forming or removing a tie from the network, is decomposed in a fixed part, which is the current evaluation function of the SAOM, and a random part, with parameters that are individual-specific and random. The Robbins-Monro algorithm that is commonly used for MoM estimation in the SAOM, is extended to allow the estimation of the variance of the random parameters. We illustrate how for the model with random out-degree we can estimate the parameter of the random components, and how to test its significance. An application is made to Kapferer's Tailor shop dataset. It is shown that including a random out-degree constitutes a serious alternative to including various transitivity effects.


翻译:SAOM随机有向模型 (Stochastic Actor Oriented Model) 是一种用于建模社会互动和社会行为的方法,可用于使用外生协变量和内生网络配置来模拟网络效应,以及行为和社会互动的共同进化。该模型的估计方法通常使用矩估计法 (Method of Moments,MoM)。然而,该模型假设所有个体具有相同的评估功能,这是其局限之一。本文的目的是将SAOM的MoM估计方法推广到包括随机效应,从而可以更准确地建模个体间的异质性。将线性评估函数分解为固定部分(即SAOM的当前评估函数)和随机部分,其中随机参数是个体特定且随机的。通常用于MoM估计的Robbins-Monro算法被扩展以允许估计随机参数的方差。我们演示了如何估计具有随机出度的模型的随机部分参数,并说明了如何测试其显著性。我们将其应用到Kapferer的裁缝店数据集中。结果表明,包括随机出度是包括各种传递性效应的一个严肃的替代方案。

0
下载
关闭预览

相关内容

【2023新书】随机模型基础,815页pdf
专知会员服务
99+阅读 · 2023年5月10日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
BERT/Transformer/迁移学习NLP资源大列表
专知
19+阅读 · 2019年6月9日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月30日
Arxiv
0+阅读 · 2023年5月30日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
BERT/Transformer/迁移学习NLP资源大列表
专知
19+阅读 · 2019年6月9日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员