fit1<-ergm(Net13To15 ~ edges + mutual + edgecov(x=RelEmb10To12) + edgecov(x=StrEmb10tO12) + nodeocov(attrname='InvTimesTo2012') + nodeocov(attrname='JoiInvTimes2012') + nodeocov(attrname='AllExit2001To2012') + nodeocov(attrname='AgeTo2013') + nodeofactor(attrname='Foreign',base=1) + nodeofactor(attrname='BSGorOTHER',base=1) + nodemix(attrname='EigCenUpMean',base=3) + nodeicov(attrname='InvTimesTo2012') + nodeicov(attrname='JoiInvTimes2012') + nodeicov(attrname='AllExit2001To2012') + nodeicov(attrname='AgeTo2013') + nodeifactor(attrname='Foreign',base=1) + nodeifactor(attrname='BSGorOTHER',base=1),control = control.ergm(MCMLE.maxit = 80,parallel = 3,parallel.type = 'PSOCK') )

我把电脑设置称并行运算，打算把电脑的CPU用到极限了。

从今天晚上7：00开始运

把我与何老师的QQ对话留底备忘。

题目：声誉影响力的结构性与制度性影响因素：决策与执行过程中协作网络与敌对网络的比较研究

协作网络与政策网络的中心假设是政治结果受到一系列政府人员、非政府人员的影响。这些人当中有部分人比另一部分更有权力，因此对决策更有影响力。该文，作者对政策网络中的这种权力差距找到了两种解释——结构性与制度性解释——并用证据证明。作者利用声誉影响力作为衡量权力的变量，并且认为声誉影响力与行动者在正式决策制度中的位置、与行动者在政策网络中位置都有关，因此一个行动主体被视为有影响力是由两个互补的因素构成：a.制度决策；b.政策网络中的结构位置。基于时间指数随机图模型(TERGM)、截面的指数随机模型(ERGM)，作者比较了大气、电信、防洪、有害化学品处理四个来自瑞士和德国案例，四个案例囊括了政策周期不同阶段或国家层面或地方层面的网络。研究结果认为结构性、制度性的因素都会影响行动主体的声誉影响力，因而也会影响这些人影响政治结果的能力。

文章原文：

Structural and Institutional Determinants of Influence Reputation: A

本文只记录了R语言环境中，操作某个VC网络数据（有向）的ERGM建模过程。该VC网络数据制图形式如下：

接下来，复制保存R语言环境中的所有操作记录，以备后期调阅。

​R version 3.2.5 (2016-04-14) --'Very, Very Secure Dishes'

Copyright (C) 2016 The R Foundation forStatistical Computing

这几天，摸索了一类建立网络原始数据的方法（R语言环境下）。

初衷：1.开辟除UCinet之外的另一种方法，可以处理网络分析的数据类型。

          2.指数随机图模型（ERGM）​的主流分析软件包statnet，是搭载于R语言环境的。为了尝试ERGM模型，必然无法绕开R语言环境的学习。这就决定了，必然需要借组R语言环境建立网络原始数据。

       基于以上目的，这些天一直专研R语言平台，借助swirl（）自助学习软件包，和导师赠送的基本R语言及ERGM模型书籍，对该平台的使用进行了尝试，学到一些技巧。为避免日久遗忘，记录于此，以备后来回看。若同时对网友有所裨益，欢迎转载，希望能有同行交流切磋。

主要内容：

1.网络格式数据（network）的建立；

2.网络节点属性（vertice attribute）​的导入。

看似仅仅以上两点内容，却让我查找资料好久。某些R语言帮助文件的内容比较简短，缺乏实例，因此无法提供更为直接的帮助。本人借助百度