Diversité des approches de modélisation statistique en analyse de réseaux sociaux multiniveaux

Résumé Fr En

Cet article présente différentes approches statistiques combinant l’analyse multiniveau et l’analyse de réseaux sociaux, allant des modèles p2 multiniveau pour l’analyse de données de réseaux égocentrées aux Exponential Random Graph Models (ERGM) pour des données multiniveaux néostructurales. Nous développons premièrement les modèles stochastiques basés sur une dépendance dyadique, intégrant l’approche hiérarchique par une mise en parallèle de différentes expériences. Après avoir présenté la modélisation de type ERGM, nous nous demandons explicitement comment introduire de la dépendance « multiniveau » dans ces derniers. Nous terminons alors sur la formalisation proposée par Robins et Wang [2010] qui semble la plus aboutie pour traiter la dépendance verticale entre ces deux réseaux de niveaux différents, mais partiellement emboités.

This article presents some different statistical approaches for multilevel network analysis including the multilevel-p2 models for egocentric network data analysis and the Exponential Random Graph Models (ERGMs) for neo-structural multilevel data. First, we study the stochastic models based on dependence assumptions between dyads, including a hierarchical approach using jointly different networks studies. After presenting the ERGMs, we investigate how multilevel dependence may be introduced in them. We conclude then by the Robins and Wang formalization [2010] which seems to be the most successful attempt to treat the dependencies between the two partially nested networks of different levels.