The asymptotic distribution of modularity in weighted signed networks.
The asymptotic distribution of modularity in weighted signed networks.
复制标题
DOI：
10.1093/biomet/asaa059
复制
发表时间：
2021-03
期刊：
影响因子：
2.7
通讯作者：
Barnett I
中科院分区：
文献类型：
--
作者：
Ma R;Barnett I
模块化是量化网络内社区结构程度的流行指标。网络边权重或邻接矩阵的最大特征值的分布已得到充分研究，并且在执行统计推断时经常用作模块化的替代品。然而，我们表明最大特征值和模块性是渐近不相关的，这表明当网络规模很大时需要直接推断模块性本身。为此，我们推导了网络边权矩阵属于高斯正交系综情况下的模块性渐近分布，并研究了在一些替代模型下相应的社区结构检验的统计功效。我们凭经验探索极限分布的普遍性扩展，并通过 I 类误差模拟证明这些渐近分布的准确性。我们还将基于模块化的测试的经验能力与一些现有方法进行了比较。然后，我们的方法用于测试两个真实数据应用程序中社区结构的存在。
Modularity is a popular metric for quantifying the degree of community structure within a network. The distribution of the largest eigenvalue of a network’s edge weight or adjacency matrix is well studied and is frequently used as a substitute for modularity when performing statistical inference. However, we show that the largest eigenvalue and modularity are asymptotically uncorrelated, which suggests the need for inference directly on modularity itself when the network size is large. To this end, we derive the asymptotic distributions of modularity in the case where the network’s edge weight matrix belongs to the Gaussian orthogonal ensemble, and study the statistical power of the corresponding test for community structure under some alternative models. We empirically explore universality extensions of the limiting distribution and demonstrate the accuracy of these asymptotic distributions through Type I error simulations. We also compare the empirical powers of the modularity based tests with some existing methods. Our method is then used to test for the presence of community structure in two real data applications.
登录
查看更多内容
WGCNA：用于加权相关网络分析的 R 包。
影响因子：
3
作者：
Langfelder P;Horvath S
通讯作者：
Horvath S
影响因子：
2.3
作者：
BAI, ZD;YIN, YQ
通讯作者：
YIN, YQ
影响因子：
1.2
作者：
Ding, Xiucai
通讯作者：
Ding, Xiucai
影响因子：
1.7
作者：
Erdos, Laszlo;Yau, Horng-Tzer;Yin, Jun
通讯作者：
Yin, Jun
DOI：
10.1073/pnas.0605965104
发表时间：
2007-01-02
影响因子：
11.1
作者：
Fortunato, Santo;Barthelemy, Marc
通讯作者：
Barthelemy, Marc