关于社会网络指数随机图模型介绍
关于社会网络的指数随机图模型的介绍
介绍了指数随机图（P *）社交网络模型（加里·罗宾斯，皮普派特森，尤瓦尔·卡利什，院长Lusher）心理学系，行为科学，墨尔本大学商学院。
3010，澳大利亚摘要：本文提供的介绍总结，制定和应用指数随机的图模型的社交网络。
网络的各个节点之间的可能的关系被认为是随机的变量和假设，这些随机的领带变量之间的依赖关系确定，一般形式的指数随机图模型的网络。
不同的相关性假设的例子及其相关的模型，给出了包括伯努利，对子无关，马尔可夫随机图模型。
在社会选择机型演员的加入属性也被审查。
更新，更复杂依赖的假设进行了简要介绍。
估计程序进行了讨论，其中包括新的方法蒙特卡罗最大似然估计。
我们预示着在其它组织了讨论论文在这款特别版：弗兰克和施特劳斯的马氏随机图模型[弗兰克，澳，施特劳斯，D.，1986年马氏图。
杂志美国统计协会81，832-842]不适合于许多观察到的网络，而Snijders等人的新的模型参数。
[Snijders，TAB，派特森，P.，罗宾斯，GL，Handock，M.新规范指数随机图模型。
社会学方法论，在记者]提供实质性的改善。
关键词：指数随机图模型;统计模型的社交网络; P *模型在最近几年，出现了在指数随机图模型对于越来越大的兴趣社交网络，通常称为P *类车型（弗兰克和施特劳斯，1986;派特森和沃瑟曼，1999;罗宾斯等人，1999;沃瑟曼和帕蒂森，1996年）。
这些概率模型对一组给定的演员网络允许泛化超越了早期的P1模型类（荷兰和Leinhardt，1981年）的限制二元独立性假设。
因此，它们允许模型从社会行为的结构基础的一个更为现实的构建。
这些模型车的研究多层次，multitheoretical假说的有效性一直在强调（例如，承包商等，2006）。
已经有一些自Anderson等重大理论和技术的发展。
（1999）介绍了他们对P *型号知名底漆。
我们总结了本文上述的进步。
特别是，我们认为重要的是在概念上从依赖假设的衍生地，这些模型，模型的基本依据，然后作出了明确，并与有关（不可观察）社会进程底层网络的形成假说更容易联系。
最新社会网络分析法——详细讲解
4. 中心性和影响力
思路：
首先给出一个点的各种“绝对中心度”的表达 式；然后为了比较来自不同图的点的中心度， 需要给出“相对中心度”指数，即“标准化” 的绝对中心度指数；最后给出一个图在整体上 的中心势指数。
4. 中心性和影响力
度数 中心
性
中间
中心性
中心
性
接近 中心
性
4. 1 度数中心性
点的度数中心度：
nn
C AB i
bjki ， jki，j 且 k
jk
点的相对中间中心度：
C RB in22 C 3 A n B2 i ， 0C RB 1 i
4. 2 中间中心性
图的中间中心势
对于一个规模为n的图来讲，首先找到图中各
N个e点tw的or中k间—中C心en度tr的al最ity大—值F；re然em后a计n 算be该tw值e与en图ness— 中其他点的中间中N心od度e 之be差tw，ee从n而ne得ss到多个“差
社会网络分析法——详细讲解
1. 社会网络分析简介
重要理论基础：
六度分割理论
150定律（邓巴数字）
1. 社会网络分析简介
网络中的“点”
可以是任何一个社会单位或者社会实体，例 如：个体、公司、学校、城市、国家
关系的表现也有很多种
朋友关系、合作关系、距离关系、贸易关系
1. 社会网络分析简介
社会网络的形式化表达
3. 网络规模和网络密度分析
整体网中个体网密度的计算
Network—Ego networks—Egonet Density
整体网密度的计算
Network—Cohesion—Density—Density Overall
社会网络分析相关概念概述
社会网络分析相关概念概述社会网络分析相关概念概述一、网络密度=当前关系总数/理论最大关系数，整体网密度越大，对个体的影响越大互惠性指的是网络中成员之间的关系是否具有相互性，也就是说任何一对成员之间是否相互“选择”，是否为邻接点。
二、中心度-> 个体，中心势->群体中心势( centralization) 刻画整个网络各个点的差异性程度，因此一个网络只有一个中心势。
程度中心势：计算中心势的想法也比较直观：找出图中的最核心点，计算该点的中心度与其他点的中心度之差。
也就是定量讨论图中各点中心度分布的不均衡性。
差值越大，则图中各点中心度分布得越不均衡，则表明该图的中心势越大——该网络很可能是围绕最核心点发散展开的。
同样作归一化处理，将图的中心势定义为实际差值总和/最大差值总和。
于是，完备图的中心势为0（每个点都有相互联系，无所谓中心不中心），星型或辐射型的网络的中心势接近1。
中间中心性势:也是分析网络整体结构的指标，指中间中心性最高的节点的中间中心性与网络中其他节点的中间中心性之间的差距。
这个节点与其他节点的差距越大，网络的中间中心势就越高，这就意味着这个网络中的节点可能会被分成许多小群体，过分依赖一个节点来转移关系，这个节点在网络中处于极其重要的地位。
靠近中心势:对于一个社交网络，靠近中心势越高，网络中节点间的差异越大，反之，网络中节点间的差异越小。
点度中心性【程度中心性】是一个用来衡量节点在网络中所处地位的指标，点度中心性的思想是: 如果一个点与许多节点之间有联系，那么该节点在网络中就处于比较中心的位置，具有比较大的“权利”。
采用与该节点直接相连的点的数量来衡量点度中心度是比较常用的做法。
接近中心性分析“距离”是指两点之间最短路径的长度，接近中心性这一概念用来衡量点的中心程度。
在一个图中，一个点到其他所有点的距离总和越小，表明这个点不受他人“控制”的能力越强，接近中心性越高。
这样的点在网络中有最佳的视野，可以知道网络中所发生的事情，以及信息的流通方向。
社会网络模型研究论析
社会网络模型研究论析一、概述社会网络模型研究是社会学、心理学、计算机科学等多个学科交叉的领域，它关注于个体和群体间复杂的互动关系以及这些关系如何影响社会结构和行为。
社会网络模型的核心在于理解和分析社会网络中节点（个体或群体）之间的连接（关系），以及这些连接如何传递信息、资源、影响力和其他形式的社会资本。
随着大数据和复杂网络理论的发展，社会网络模型研究在揭示社会现象、预测社会动态以及优化社会结构等方面发挥着越来越重要的作用。
社会网络模型研究起源于20世纪30年代的社会计量学，经过几十年的发展，逐渐形成了包括社会网络分析、社交网络分析、复杂网络理论等多个分支。
这些分支在方法论和研究重点上有所不同，但都致力于从网络视角揭示社会现象的本质和规律。
近年来，随着大数据技术的普及和计算能力的提升，社会网络模型研究在数据收集、处理和分析方面取得了突破性进展，使得我们能够更准确地刻画和解释复杂的社会网络结构。
在理论上，社会网络模型研究关注于网络结构、网络关系、网络动态等多个方面。
网络结构研究主要关注网络的整体形态和特征，如网络的密度、中心性、聚类系数等网络关系研究则关注节点间的连接模式、关系强度和方向性等网络动态研究则关注网络随时间的变化过程，包括网络的演化、扩散和同步等。
这些研究不仅有助于我们深入理解社会网络的结构和机制，也为解决现实生活中的社会问题提供了理论支持。
在实践上，社会网络模型研究被广泛应用于社会各个领域，如社交网络分析、组织行为学、信息传播、社会治安等。
通过构建和分析社会网络模型，我们可以揭示社会网络中的关键节点和群体，预测社会动态和趋势，优化社会资源配置，提高社会治理效率等。
社会网络模型研究还为政策制定、市场营销、舆论引导等领域提供了有力的决策支持。
社会网络模型研究是一个跨学科的领域，它致力于从网络视角揭示社会现象的本质和规律。
随着大数据和复杂网络理论的发展，社会网络模型研究在理论和实践上都取得了重要进展，为解决现实生活中的社会问题提供了有力支持。
社会网络分析法——详细讲解
2. 社会网络分析工具—UCINET 简介
UCINET (University of California at Irvine NETwork）
全部数据 都用矩阵 形式来储 存、展示 和描述 http： //www.anl ytictech.c om/downl oaduc6.ht m 林顿·弗 里曼编写 新一代学 者维护
5.4 基于“子群内外关系”的凝聚子群
块：
如果一个图分为一些相对独立的子图的 话，则称各个子图为“块”。用来构建 “块”的程序模型叫做块模型。
Network—Role&Position—Structure— CONCOR
6. 个体网研究：结构洞
结构洞：
非冗余的联系人被结构洞所连接，一个 结构洞是两个行动者之间的非冗余的联系。
4.4 影响力分析
考虑间接关系的影响力指数：
1. 卡兹的影响力指数
2. 胡贝尔的影响力指数
3. 泰勒的影响力指数
Network—Centrality—Influence—Hubbell/Katz/Taylor
5. 凝聚子群分析
当网络中某些行动者之间的关系特别紧密， 以至于结合成一个次级团体时，这样的团体 在社会网络分析中被称为凝聚子群。分析网 络中存在多少个这样的子群，子群内部成员
Export Network to Mage
三维图
Export to Pajek
Netdraw
2. 社会网络分析工具—UCINET 简介
UCINET数据的输入
一般情况下，社会网络数据都是通过社会调查，
以问卷或数据表的形式获得的。输入数据的方式多
种多样，可以用Excel或常见的文本编辑器输入，也 可利用UCINET本身的数据表程序输入。
社会网络分析法——详细讲解
5. 凝聚子群分析
当网络中某些行动者之间的关系特别紧密， 以至于结合成一个次级团体时，这样的团体 在社会网络分析中被称为凝聚子群。分析网 络中存在多少个这样的子群，子群内部成员 之间关系的特点，子群之间关系特点，一个 子群的成员与另一个子群成员之间的关系特 点等就是凝聚子群分析。
5. 凝聚子群分析
建立在可达性基础上的凝聚子群考虑的是点与点之间 的距离，要求一个子群的成员之间的距离不能太大。这 样，我们可以设定一个临界值n作为凝聚子群成员之间距 离的最大值，这就引出了对派系概念做出最早推广的n— 派系的概念。
5.2 基于可达性的凝聚子群
n—派系强调的是一个子图中，任何两点 之间在总图中的距离最大不超过n。 局限：
6. 个体网研究：结构洞
结构洞：
非冗余的联系人被结构洞所连接，一个 结构洞是两个行动者之间的非冗余的联系。
B
C
A
D
6. 个体网研究：结构洞
结构洞的作用：
对于一个企业来说，占据结构洞位置 非常有利于非冗余、多元化信息的流动 以及对信息流的控制，从而也可能促进 企业进行创新，开发新产品。
6. 个体网研究：结构洞
值”；再计算这些“差值”的总和；最后用这个
总和除以理论上该差值总和的最大可能值
n
n
CABmax CABi
CRBmax CRBi
CB
i 1
n3 4n2 5n 2
i 1
n 1
4. 3 接近中心性
思想
一个点越是与其他点接 近，该点在传递信息方 面就更加容易，因而可 能居于网络的中心。
社会网络分析法
1. 社会网络分析简介
什么是社会网络？
“社会网络”指的是作为节点的社 会行动者（social actor）及其间的 关系的集合。也可以说，一个社会 网络是由多个点（社会行动者）和 各点之间的连线（行动者之间的关 系）组成的集合。用点和线来表达 网络，这是社会网络的形式化界定。
一文读懂社会网络分析(SNA)理论、指标与应用
一文读懂社会网络分析(SNA)理论、指标与应用开新坑！社交网络分析（又称复杂网络、社会网络，Social Network Analysis）是诞生于数学图论、计算机科学、物理学的交叉碰撞中的一门有趣的学科。
缘起：我研究SNA已经有近2年的时光，一路坎坷走来有很多收获、踩过一些坑，也在线上给很多学生讲过SNA的入门知识，最近感觉有必要将心得和基础框架分享出来，抛砖引玉，让各位对SNA感兴趣的同学们一起学习进步。
我的能力有限，如果有不足之处大家一起交流，由于我的专业的影响，本文的SNA知识可能会带有情报学色彩。
面向人群：优先人文社科类的无代码学习，Python、R的SNA 包好用是好用，但是对我们这这些社科的同学来说门槛太高，枯燥的代码首先就会让我们丧失学习兴趣。
特征：类综述文章，主要目的是以通俗的语言和精炼的框架带领各位快速对SNA领域建立起一个全面的认知，每个个关键概念会附上链接供感兴趣的同学深入学习。
开胃菜：SNA经典著作分享《网络科学引论》纽曼 (访问密码 : v9d9g3)2概述:什么是网络？我们从哪些角度研究它？1) 认识网络SNA中所说的网络是由节点（node，图论中称顶点vertex）和边（edge）构成，如下图。
每个节点代表一个实体，可以是人、动物、关键词、神经元；连接各节点的边代表一个关系，如朋友关系、敌对关系、合作关系、互斥关系等。
最小的网络是由两个节点与一条边构成的二元组。
Les Miserables人际关系网络2) 构建网络就是建模马克思说过，“人的本质在其现实性上，它是一切社会关系的总和。
” 事实上，当我们想快速了解一个领域，无论该领域是由人、知识、神经元乃至其他实体集合构成，利用SNA的方法将实体及其相互关系进行抽象和网络构建，我们就完成了对某一领域的“建模”，这个模型就是网络图，拿科学网络计量学家陈超美的观点来说，借助网络图，“一图胜千言，一览无余”。
3) 社会网络类型这里展示了常见和常用的网络类型名词。
社会网络分析法——详细讲解ppt课件
5. 凝聚子群分析
当网络中某些行动者之间的关系特别紧密， 以至于结合成一个次级团体时，这样的团体 在社会网络分析中被称为凝聚子群。分析网 络中存在多少个这样的子群，子群内部成员 之间关系的特点，子群之间关系特点，一个 子群的成员与另一个子群成员之间的关系特 点等就是凝聚子群分析。
5. 凝聚子群分析
4. 中心性和影响力
思路：
首先给出一个点的各种“绝对中心度”的表达 式；然后为了比较来自不同图的点的中心度， 需要给出“相对中心度”指数，即“标准化” 的绝对中心度指数；最后给出一个图在整体上 的中心势指数。
4. 中心性和影响力
度数 中心
性
中间
中心性
中心
性
接近 中心
性
4. 1 度数中心性
点的度数中心度：
5.3 基于度数的凝聚子群
建立在点度数基础上的凝聚子群：K—丛，K—核 是通过限制子群中的每个成员的邻点个数而得到的。
K—丛的概念
一个K—丛就是满足下列条件的一个凝聚子群， 即在这样的一个子群中，每个点都至少与除了K个 点之外的其他点直接相连。
也就是说，如果一个凝聚子群的规模为n，那么 只有当该子群中的任何点的度数都不小于（n-k）这 个值的时候，我们才称之为K-丛。
局域网：个体网加上与个体网络成员有联系的 其他点所构成的网络。
整体网：由一个群体内部所有成员及其间的关 系构成的网络。
1. 社会网络分析简介
资料的收集方法
线人法 提名法 档案资料 问卷法等
2. 社会网络分析工具—UCINET 简介
最流行的社会网
络分析软件
网络规模、网络 实现画图功能的
密度、中心性、
值”；再计算这些“差值”的总和；最后用这个
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
介绍了指数随机图（P *）社交网络模型（加里·罗宾斯，皮普派特森，尤瓦尔·卡利什，院长Lusher）心理学系，行为科学，墨尔本大学商学院。
3010，澳大利亚摘要：本文提供的介绍总结，制定和应用指数随机的图模型的社交网络。
网络的各个节点之间的可能的关系被认为是随机的变量和假设，这些随机的领带变量之间的依赖关系确定，一般形式的指数随机图模型的网络。
不同的相关性假设的例子及其相关的模型，给出了包括伯努利，对子无关，马尔可夫随机图模型。
在社会选择机型演员的加入属性也被审查。
更新，更复杂依赖的假设进行了简要介绍。
估计程序进行了讨论，其中包括新的方法蒙特卡罗最大似然估计。
我们预示着在其它组织了讨论论文在这款特别版：弗兰克和施特劳斯的马氏随机图模型[弗兰克，澳，施特劳斯，D.，1986年马氏图。
杂志美国统计协会81，832-842]不适合于许多观察到的网络，而Snijders等人的新的模型参数。
[Snijders，TAB，派特森，P.，罗宾斯，GL，Handock，M.新规范指数随机图模型。
社会学方法论，在记者]提供实质性的改善。
关键词：指数随机图模型;统计模型的社交网络; P *模型在最近几年，出现了在指数随机图模型对于越来越大的兴趣社交网络，通常称为P *类车型（弗兰克和施特劳斯，1986;派特森和沃瑟曼，1999;罗宾斯等人，1999;沃瑟曼和帕蒂森，1996年）。
这些概率模型对一组给定的演员网络允许泛化超越了早期的P1模型类（荷兰和Leinhardt，1981年）的限制二元独立性假设。
因此，它们允许模型从社会行为的结构基础的一个更为现实的构建。
这些模型车的研究多层次，multitheoretical假说的有效性一直在强调（例如，承包商等，2006）。
已经有一些自Anderson等重大理论和技术的发展。
（1999）介绍了他们对P *型号知名底漆。
我们总结了本文上述的进步。
特别是，我们认为重要的是在概念上从依赖假设的衍生地，这些模型，模型的基本依据，然后作出了明确，并与有关（不可观察）社会进程底层网络的形成假说更容易联系。
正是通过新的模式，可以开发一个有原则的方式，包括结合了演员的属性模型这样的做法。
在模型规范和估计最近的发展需要注意的是，因为这样做就设置结构和部分新技术的步骤依赖的假设，不仅扩大了级车型，但具有重要意义的概念。
特别是，我们现在有一个更好的了解马尔可夫随机图，和有前途的新规格的性能已经提出来克服他们的一些不足之处。
本文介绍了模型，并总结当前方法的发展与扩展概念的阐述（更多技术总结最近被沃瑟曼和罗宾斯，2005年定;知更鸟和派特森，2005; Snijders等人，出版。
）我们首先简要介绍理分析社交网络的统计模型（第1节）。
然后，我们提供指数随机图模型的基本逻辑进行了概述，并概述我们框架模型构建（第2节）。
在第3节中，我们讨论的重要概念一个依赖假设的建模方法的心脏。
在第4节中，我们提出了一系列不同的相关性假设和模型。
对于模型估计（第5章），我们简单总结伪似然估计（PLE）的方法，并检讨最近的事态发展蒙特卡罗马尔可夫链最大似然估计方法。
在第6节中，我们提出拟合模型，网络数据的简单的例子。
总之，我们注意到的重要性新的型号规格是关注在这款特别版的其他论文的重点。
1.为什么模型的社交网络？有许多公知的技术，用于测量网络性能的节点，或节点的子（如密度，中心性和凝聚力的子集）的。
这些技术服务有价值的目的，描述和理解的网络功能，可以承受在特定的研究问题。
那么，为什么我们会想要超越这些技术和搜索合身的一个观察到的社交网络的模型，特别是一个统计模型？原因这样做有以下内容：（1）社会行为是复杂的，并且随机模型使我们能够同时捕获的规律在该过程引起网络的联系，而在同一时间识别存在是可变性，我们是不太可能能够进行详细建模。
此外，如瓦（1999）已令人信服地证明，“加入”少量随机性的，否则便会定期进程可以极大地改变了这一进程的可能结果的性质。
它是因此，重要的是要允许的随机性，如果我们认为它最能反映过程我们的目标模型。
也许最重要的是，良好的特定的随机模型使我们要了解与观察到的结果的不确定性：我们可以了解可能结果的模型一个给定的规格分布，或者我们可以估算，对于给定的观察到的数据，从该数据可能已被产生的虚拟模型的参数（并且也获得与其相关联的不确定性的定量估计估计）。
（2）统计模型也允许关于是否特定网络子结构的推论 - 通常由一个或少量的参数所表示的模型 - 在网络中被更普遍观察到可能比偶然预期。
那么我们可以假设开发了解可能产生这些结构性质的社会过程。
（3）有时，不同的社会进程可能会做出类似的网络质量预测结构，它只有通过仔细的定量模型，在预测的差异进行评估。
例如，群集在网络可能产生的内源性（自组织）结构的影响（例如，结构平衡），或者通过节点级效果（例如，同质性）。
要在两个方案之间作出决定，需要一个模型，结合这两种效应，然后评估每个的相对贡献。
（4）在更复杂的网络上的数据结构，更有用的适当配制的模型可以在实现高效的表示。
值得注意的是，有avariety的确定性方法FO ranalyzing单个二进制网络，但其中许多都是不恰当的，或者是太复杂，对于更复杂的数据。
为了了解网络的演进（Snijders，2001）或多个网络结构（Lazega和派特森，1999），模型可以有很大的价值。
（5）在社会网络分析的几个长期存在的问题，涉及到如何本地化的社会过程和结构结合起来，形成全球网络模式，而这种本地化的进程是否足以说明全球网络性能的谜题。
它是难以调查这些问题没有一个模型，如在所有的除了相当简单的情况下，由许多小规模结构的组合所造成的全球结果没有立即明显，即使是定性的。
具有良好的本地指定型号的社交网络，它可能会穿越这条微宏的差距，往往是通过模拟。
我们特别强调显影可信模型，这些模型可估计从数据并因此经验为基础的值。
有多种型号的网络文学，这对于模拟，假设生成的重要工具，而“思想实验”。
但是，我们的主要目标是估算数据模型的参数，然后评估如何充分的模型表示的数据。
这些互补的方法成为有用的，但不同的目的，用数据驱动的方法显然是其支撑结构的模型假设的实证审讯能力的独特价值。
2后面的P *模型对社会的逻辑网络，大纲我们描述了作为观测到的网络的研究者已收集并且可以在网络数据有兴趣建模。
所观察到的网络是从一组可能的看作一个实现网络具有类似的重要特征（至少是，行动者的数量相同），即是，由于一些（未知）的随机过程的结果。
换句话说，观察到的网络被看作是关系一个特定图案出一大组可能的图案。
在一般情况下，我们做不知道什么随机过程产生所观察到的网络和我们在制定目标模型是提出一种可行的和理论上的原则假设此过程。
例如，我们的研究课题之一可以是是否在所观察到的网络有显著更多，或者更少，感兴趣结构特征比偶然预期。
我们可能会看到这些特性当地社会进程的成果。
例如，我们可能会问的莫雷诺和詹宁斯（1938年）的统计数据，社交网络的第一个应用程序做了观察网络是否显示了对等的强烈倾向，超出了一些回报的关系，如果关系的机会亮相发生完全是随机的。
换句话说，你所观察到的网络中的行动者往往回报关系的选择？这里的结构特点（投桃报李的关系）是一个社会过程（个人选择来回报他人的选择）的结果。
因此，作为一个简单的例子，我们可以断定一个随机网络模型具有两个参数，一个反映的倾向关系发生在随机和一种反映了一个额外的倾向往复运动的发生。
在一般情况下，在质询帮助的结构特性来塑造模型的形式。
一一个对等进程的假设使我们提出一个模型，其中所述电平的指标互惠是参数。
这个假设也反映了什么样的期望网络更容易。
对于一个给定的演员组成的网络统计模型分配概率就这些演员的所有可能的网络。
例如，由于互惠关系是通常观察到的功能，在友谊网络，良好的模式很可能意味着网络与往复运动是比较常见和网络没有回报是相当不可能的。
正如往常一样，我们代表的网络节点和边的图。
对于一个给定的模型，所述节点集合被认为是固定的。
可能的网络的范围内，和它们发生的概率该模型下，通过在该组的所有可能的曲线图上的概率分布表示同节点的这个号码。
在图的这种分布，这些图表有大量的水平往复运动都可能具有比图少往复运动的概率较高，具有取决于相关的参数，值的精确概率，如对等参数。
需要注意的是所观察到的网络是在该分布的特定图形，所以它也具有特定概率。
当然，在一开始，我们不知道在分配概率在分布图形要使用的参数值。
我们的目标，更确切地说，是要找到最好的值（通过估算模型用所观察到的网络作为引导参数）。
必要的最大似然准则是选择的参数值以这样一种方式，往复运动的最可能的程度是这发生在所观察到的网络。
如果模型有一个对等的参数（定义为零时相互关系发生偶然的），如果有，在许多往覆关系观测到的网络，则一个模型，它是一种非常适合于数据中往复运动的程度方面将产生积极的对等参数。
如果我们估计互惠参数的观测网络，如果我们可以相信，这个参数是正的，我们可以推断，还有更多互惠中所观察到的网络不是偶然的预期。
一旦我们定义该组的所有图形的概率分布与节点的一个固定数目的，我们也可以从分配根据分配给它们的概率绘制图形随机的，并且我们可以在任何其他比较采样的曲线图，以观察到的1感兴趣的特征。
如果该模型是一个很好的数据，然后将采样的图形将类似于所观察到的1在很多不同的方面。
在这种理想的情况下，我们甚至可以推测这种建模的结构效应可以解释在网络的出现。
我们可以以了解网络，有可能从这些影响出现的性质研究采样图形的属性。
作为一个例子，考虑在一所学校的教室友谊。
所观察到的网络是为我们所测得的友谊关系网络。
有可能已经观察到对于特定的教室许多可能的网络。
我们检查了教室里所有可能的网络结构的情况下观察到的友谊结构在教室里。
一些结构在教室可以是相当容易和一些不太可能发生，和该组所有可能的结构，有关其相应的机率一些假设是曲线图上的概率分布。
我们把观察到的这个网络中的分布，而不是在其他教室观察网友谊网络进行比较。
（当然，我们的模型中所观察到的网络也可以是用于其它教室的良好模型，但是这并不是问题，在这一点上）。
注意，假设是，网络是由一个随机过程，其中关联关系进入在于，可通过其它关系（和可能的节点级属性）的存在或不存在的形状的方式被产生。
换句话说，网络被概念化为关系型关系的自组织系统。
实质上，索赔是有产生二元关系，当地的社会进程，而这些社会过程可能取决于周围的社会环境（即在现有的关系）。
例如，我们可以假设，具有类似属性的行动者更可能形成友谊关系（同质性），或者，如果两个未连接的参与者被连接到第三演员，在某些时候，他们有可能形成它们之间的友好提携（及物）。
需要注意的是，除了随机性的假设，这种描述也隐时间和动态。