Monte Carlo goodness-of-fit tests for degree corrected and related stochastic blockmodels
度修正及相关随机块模型的Monte Carlo拟合优度检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以网络数据的随机块模型及潜在块成员为研究对象，直接对应网络方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
度修正及相关随机块模型的Monte Carlo拟合优度检验
- 研究问题
- 如何对网络数据的三类随机块模型进行有限样本拟合优度检验，并在块成员身份未知时处理潜在分组的估计问题？
- 方法与思路
- 作者结合块成员估计与对数线性模型的代数统计检验方法，描述Markov基和边际多胞体，构造贝叶斯及频率学派检验。
- 材料陈述的贡献
- 摘要称，方法适用于三类随机块模型，并可扩展至离散数据的有限对数线性混合模型；作者称这是相关代数方法的首次潜变量应用。
- 阅读关注点
- 核对块成员估计如何进入检验、有限样本性质的具体含义，以及Markov基构造、Monte Carlo抽样和检验校准步骤。
- 阅读边界
- 仅依据Crossref摘要；检验条件、计算成本及错误率保证未提供，作者的首次应用声明也未在此独立核验。
原文摘要
Abstract We construct Bayesian and frequentist finite-sample goodness-of-fit tests for three different variants of the stochastic blockmodel for network data. Since all of the stochastic blockmodel variants are log-linear in form when block assignments are known, the tests for the latent block model versions combine a block membership estimator with the algebraic statistics machinery for testing goodness-of-fit in log-linear models. We describe Markov bases and marginal polytopes of the variants of the stochastic blockmodel and discuss how both facilitate the development of goodness-of-fit tests and understanding of model behaviour. The general testing methodology developed here extends to any finite mixture of log-linear models on discrete data, and as such is the first application of the algebraic statistics machinery for latent-variable models.