Modèles génératifs en analyse de réseaux : l’exemple des Exponential Random Graph Models (Timothée Chabot, 11 février 2022)

L’analyse des réseaux sociaux s’est constituée comme une branche à part des statistiques en sciences sociales, spécialisée dans l’étude des relations existant entre des entités individuelles. Un problème majeur soulevé par cette approche est que l’hypothèse d’indépendance entre observations qui sous-tend la plupart des méthodes d’inférence statistique n’est pas respectée : au sein d’un réseau, les relations sont par définition inter-dépendantes. Pour contourner ce problème, on utilise des modèles dits génératifs, qui cherchent à recomposer les processus à l’origine d’un réseau à partir de simulations informatiques. Un des plus utilisés est l’Exponential Random Graph Model (ERGM), qui permet à la fois des analyses apparentées aux méthodes de régression multivariées, et des applications plus proches des techniques de simulation « pure » comme les simulations multi-agents.

La séance proposée par Timothée Chabot (chercheur post-doctorant à l’Ined) consiste en une introduction théorique et pratique aux modèles ERGM, en prenant l’exemple des réseaux d’amitié entre des élèves de collège qu’il a étudiés dans sa thèse de sociologie, soutenue en décembre 2021 à l’Institut universitaire de Florence (Italie). Après une présentation générale de la méthode, des exercices pratiques sont proposés à l’aide du logiciel R. Les données et les scripts de ces exercices pratiques sont disponibles à partir des liens ci-dessous, ainsi que le diaporama et la vidéo de la séance.

L’enregistrement vidéo de la séance
(1h57, fin de la présentation et début du tutoriel à 0h41) :