ERGM模型预测概率的标准误计算与预测结果解读校验

对预测结果的解读验证 #

你手动计算得到的、两节点财富差为10时的联结概率0.182511，解读是完全准确的。
原因在于：ERGM默认采用logit连接函数，输出的系数对应边存在的对数几率；你当前构建的模型仅包含edges（边的截距项）和absdiff("wealth")（财富差的效应项）两个预测项，不存在其他协变量或内生网络结构项，因此代入公式计算得到的概率，就是固定两节点财富差值为10时，单条网络边独立存在的条件发生概率，没有额外的效应干扰。

预测概率对应的标准误计算方法 #

预测概率是模型系数经过plogis转换得到的非线性函数，无法直接沿用原系数的标准误推导结果，在当前的statnet框架下有两类成熟的可复现计算方法：

• Delta近似法
  核心逻辑是利用模型系数的渐近协方差矩阵，先计算线性预测值（即对数几率尺度下的预测值）的方差，再通过梯度变换推导概率尺度下的标准误。相比直接对概率值做加减运算，这种方法会在对数几率尺度上计算置信区间上下限，再转换回概率尺度，避免出现概率超出[0,1]合理范围的问题。
  可直接复用的示例代码：

  # 对应固定财富差为10的设计向量
  x_vec <- c(edges = 1, absdiff.wealth = 10)
  # 计算对数几率尺度的预测值
  eta <- as.numeric(t(x_vec) %*% coef(gest))
  # 计算对数几率预测值的方差
  var_eta <- as.numeric(t(x_vec) %*% vcov(gest) %*% x_vec)
  # 转换为概率值
  p_pred <- plogis(eta)
  # 推导概率对应的标准误
  se_delta <- sqrt(var_eta) * p_pred * (1 - p_pred)
  # 计算95%置信区间
  ci_delta <- plogis(eta + c(-1.96, 1.96)*sqrt(var_eta))
  

• 参数Bootstrap法
  当样本量较小、概率值接近0或1时，Delta近似法可能存在偏差，此时可以基于模型估计得到的多元正态参数分布反复抽样，通过大量模拟值的分布计算标准误和置信区间，结果更稳健。
  对应的示例代码：

  library(MASS)
  # 从参数的渐近正态分布中重复抽样10000次
  coef_samples <- mvrnorm(n = 10000, mu = coef(gest), Sigma = vcov(gest))
  # 每次抽样计算固定财富差为10时的边概率
  p_sim <- plogis(coef_samples[, "edges"] + coef_samples[, "absdiff.wealth"]*10)
  # 计算概率的标准误
  se_boot <- sd(p_sim)
  # 计算95%置信区间
  ci_boot <- quantile(p_sim, c(0.025, 0.975))
  

注意：你当前构建的模型未包含任何内生网络依赖项（如传递性、节点度分布效应等），上述方法计算的不确定性仅来自外生协变量的参数估计误差。如果模型加入内生网络结构项，预测边概率的不确定性还会包含网络整体结构的随机波动成分，需要结合ERGM的全网络模拟框架重复抽样，才能完整量化预测的不确定性。

内容的提问来源于stack exchange，提问作者Christophe Lesschaeve