N. A. CHRISTAKIS AND J. H. FOWLERth

N. A. CHRISTAKIS AND J. H. FOWLER
thus covers several domains and relies on diverse data and approaches. It builds on prior research on
‘peer effects’ and interpersonal influence by examining data in which individuals are embedded in
networks much larger than two people. We summarize this work and describe critiques, extensions,
and confirmations of our findings by other scientists.
Using similar modeling approaches and exploiting data from many sources, we have examined the
‘spread’ of obesity [14, 15], smoking [16], alcohol consumption [17], health screening [18], happiness
[19], loneliness [20], depression [21], sleep [22], drug use [22], divorce [23], food consumption [24],
cooperative behavior [6], influenza [4], sexuality and sexual orientation [25], and tastes in music, books,
and movies [26]. We have also conducted experiments regarding the spread within networks of altruism
[6, 7] and of political mobilization [3]; in such experiments, causal inference with respect to network
effects is more robust (although experiments have limitations of their own). We have previously sum-
marized this work, and also the work of numerous other scholars who have investigated social networks
and interpersonal influence, in our book,
Connected
, published in 2009 [27], and in a 2008 review article
focusedonhealth[28].
In our work, we have used the best currently available methods. Network statistics is a fast-growing
field (for useful reviews of the topic, see [29–36]), and it is clear that perfect methods, free of any
limitations or assumptions, do not exist for every sort of question one might want to ask with obser-
vational (or even experimental) data. Basic issues in coping with missing data (missing nodes, ties,
covariates, waves), sampling (design effects and incomplete network ascertainment), computation of
standard errors, and even of the causal interpretation of model parameters, for example, are still
being addressed.
However, rather than foreswear observations regarding social network phenomena, we have chosen,
in our papers, to analyze available data, and we attempt to characterize known limitations and assump-
tions in available methods. Also, of course, as scientists identify limitations in current methods, many
will, we hope, also take the next step to innovate and propose alternatives, because all statistical methods
have limitations and they frequently rely on untestable or awkward assumptions. We hope our own work
has played a part in stimulating interest in developing statistical methods for network data; we are inter-
ested to deploy new and better methods, and we are attempting to contribute to progress in this area, as
described below. Hence, we invite suggestions regarding how to analyze such data if current approaches
have limitations that some find overwhelming.
This paper proceeds as follows. First, in Section 2 we describe a key dataset that we assembled and
first analyzed, the so-called FHS-Net. Although we describe the FHS-Net in detail, we note that we and
others have replicated our findings using other datasets and methods, as discussed below, including by
using experiments. In Section 3 we describe basic analyses involving permutation tests that show clus-
tering of various traits within various observed social networks. Section 4 addresses a set of concerns
regarding the nature of potential biases introduced to estimates of clustering by the limited nature of
social ties available in the FHS-Net. Section 5 describes the longitudinal regression models we deployed
to analyze peer effects within the network, at the dyadic level. We attempt to provide a comprehen-
sive review of the assumptions and biases present in such models. Also, we summarize model output as
applied to more than one dataset. In Section 6, we describe a novel identification strategy we proposed in
2007 involving the exploitation of the directionality of some social ties. We also describe extensions and
limitations since characterized by other scientists. Section 7 describes how geographic location infor-
mation might be used to help address certain types of confounding with observational network data.
Section 8 describes how the FHS-Net data has been publicly available since 2009, and where other data
regarding longitudinally evolving networks might also be obtained. Section 9 concludes and also sum-
marizes much work that has been conducted in recent years by other scholars documenting spreading
processes in networ

ผลลัพธ์ (ไทย) 1:

N. A. CHRISTAKIS และ J. H. ฟาวเลอร์จึงครอบคลุมหลายโดเมน และอาศัยข้อมูลที่หลากหลายและแนวทาง สร้างในงานวิจัยก่อนใน'ผลเพียร์' และอิทธิพลที่มีต่อมนุษยสัมพันธ์ ด้วยการตรวจสอบข้อมูลที่บุคคลถูกฝังอยู่ในเครือข่ายขนาดใหญ่กว่าสองคน เราสรุปงานนี้ และอธิบายข้อดีข้อเสีย นามสกุลและยืนยันของเราค้นพบโดยนักวิทยาศาสตร์อื่น ๆใช้วิธีการสร้างโมเดลและ exploiting ข้อมูลจากหลายแหล่งเหมือนกัน เรามีการตรวจสอบการ'แพร่' โรคอ้วน [14, 15], [16] บุหรี่ แอลกอฮอล์ [17], [18] ตรวจสุขภาพ ความสุข[19], ความเหงา [20], ภาวะซึมเศร้า [21], สลี [22], ใช้ยาเสพติด [22], [23] การหย่า ปริมาณอาหาร [24],พฤติกรรมแบบมีส่วนร่วม [6], ไข้หวัดใหญ่ [4], เพศ และเพศ [25], และรสนิยมในดนตรี หนังสือและภาพยนตร์ [26] นอกจากนี้เรายังได้ดำเนินการทดลองเกี่ยวกับการแพร่กระจายภายในเครือข่ายของ altruism[6, 7] และ การเคลื่อนไหวทางการเมือง [3]; ในการทดลองดังกล่าว ข้อสาเหตุเกี่ยวกับเครือข่ายผลมีประสิทธิภาพมากขึ้น (แม้ว่าการทดลองมีข้อจำกัดของตนเอง) ก่อนหน้านี้มีผล-marized งานนี้ และการทำงานของนักวิชาการอื่น ๆ จำนวนมากที่มีการตรวจสอบเครือข่ายทางสังคมอิทธิพลของมนุษยสัมพันธ์ ในหนังสือของเรา และการเชื่อมต่อเผยแพร่ ในปี 2552 [27], และ ในบทความรีวิว 2008focusedonhealth [28]ในการทำงานของเรา เราใช้ดีสุดวิธีที่อยู่ สถิติเครือข่ายได้อย่างรวดเร็วเติบโตfield (for useful reviews of the topic, see [29–36]), and it is clear that perfect methods, free of anylimitations or assumptions, do not exist for every sort of question one might want to ask with obser-vational (or even experimental) data. Basic issues in coping with missing data (missing nodes, ties,covariates, waves), sampling (design effects and incomplete network ascertainment), computation ofstandard errors, and even of the causal interpretation of model parameters, for example, are stillbeing addressed.However, rather than foreswear observations regarding social network phenomena, we have chosen,in our papers, to analyze available data, and we attempt to characterize known limitations and assump-tions in available methods. Also, of course, as scientists identify limitations in current methods, manywill, we hope, also take the next step to innovate and propose alternatives, because all statistical methodshave limitations and they frequently rely on untestable or awkward assumptions. We hope our own workhas played a part in stimulating interest in developing statistical methods for network data; we are inter-ested to deploy new and better methods, and we are attempting to contribute to progress in this area, asdescribed below. Hence, we invite suggestions regarding how to analyze such data if current approacheshave limitations that some find overwhelming.This paper proceeds as follows. First, in Section 2 we describe a key dataset that we assembled andfirst analyzed, the so-called FHS-Net. Although we describe the FHS-Net in detail, we note that we andothers have replicated our findings using other datasets and methods, as discussed below, including byusing experiments. In Section 3 we describe basic analyses involving permutation tests that show clus-tering of various traits within various observed social networks. Section 4 addresses a set of concernsregarding the nature of potential biases introduced to estimates of clustering by the limited nature ofsocial ties available in the FHS-Net. Section 5 describes the longitudinal regression models we deployedto analyze peer effects within the network, at the dyadic level. We attempt to provide a comprehen-sive review of the assumptions and biases present in such models. Also, we summarize model output asapplied to more than one dataset. In Section 6, we describe a novel identification strategy we proposed in2007 involving the exploitation of the directionality of some social ties. We also describe extensions andlimitations since characterized by other scientists. Section 7 describes how geographic location infor-mation might be used to help address certain types of confounding with observational network data.Section 8 describes how the FHS-Net data has been publicly available since 2009, and where other dataregarding longitudinally evolving networks might also be obtained. Section 9 concludes and also sum-marizes much work that has been conducted in recent years by other scholars documenting spreadingprocesses in networ

ผลลัพธ์ (ไทย) 2:

NA Christakis และ JH FOWLER
จึงครอบคลุมหลายโดเมนและอาศัยข้อมูลที่มีความหลากหลายและวิธีการ มันสร้างการวิจัยก่อนใน
'ผลกระทบเพียร์' และมีอิทธิพลต่อความสัมพันธ์ระหว่างบุคคลโดยการตรวจสอบข้อมูลที่บุคคลที่ฝังอยู่ใน
เครือข่ายที่มีขนาดใหญ่กว่าคนสองคน เราสรุปงานนี้และอธิบายวิพากษ์วิจารณ์ส่วนขยาย
และการยืนยันผลการวิจัยของเราโดยนักวิทยาศาสตร์อื่น ๆ .
ใช้วิธีการสร้างแบบจำลองที่คล้ายกันและการใช้ประโยชน์จากข้อมูลจากหลายแหล่งที่มาเราได้ตรวจสอบ
'การแพร่กระจายของโรคอ้วน [14, 15], สูบบุหรี่ [16], บริโภคเครื่องดื่มแอลกอฮอล์ [17], การตรวจคัดกรองสุขภาพ [18] ความสุข
[19] ความเหงา [20], ซึมเศร้า [21] การนอนหลับ [22], ยาเสพติดที่ใช้ [22] การหย่าร้าง [23], การบริโภคอาหาร [24],
สหกรณ์ พฤติกรรม [6], ไข้หวัด [4] เพศและรสนิยมทางเพศ [25], และรสนิยมในเพลงหนังสือ
และภาพยนตร์ [26] เราได้ดำเนินการนอกจากนี้ยังทดลองเกี่ยวกับการแพร่กระจายภายในเครือข่ายของความบริสุทธิ์ใจ
[6, 7] และการชุมนุมทางการเมือง [3]; ในการทดลองดังกล่าวอนุมานสาเหตุที่เกี่ยวกับเครือข่าย
ผลกระทบที่มีประสิทธิภาพมากขึ้น (แม้ว่าการทดลองมีข้อ จำกัด ของตัวเอง) เราได้ sum- ก่อนหน้านี้
marized งานนี้และยังการทำงานของนักวิชาการอื่น ๆ อีกมากมายที่ได้รับการตรวจสอบเครือข่ายทางสังคม
และมีอิทธิพลต่อความสัมพันธ์ระหว่างบุคคลในหนังสือของเรา
เชื่อมต่อ
ที่ตีพิมพ์ในปี 2009 [27] และในบทความรีวิว 2008
focusedonhealth [28]
ในการทำงานของเราที่เราได้ใช้วิธีการที่ดีที่สุดที่มีอยู่ในปัจจุบัน สถิติเครือข่ายที่เติบโตอย่างรวดเร็ว
ด้าน (การแสดงความคิดเห็นที่มีประโยชน์ของหัวข้อให้ดู [29-36]) และก็เป็นที่ชัดเจนว่าวิธีการที่สมบูรณ์แบบฟรี ๆ
ข้อ จำกัด หรือสมมติฐานไม่อยู่สำหรับการจัดเรียงของคำถามหนึ่งอาจต้องการทุก เพื่อขอให้มี obser-
vational (หรือแม้กระทั่งการทดลอง) ข้อมูล ปัญหาพื้นฐานในการรับมือกับข้อมูลที่ขาดหายไป (โหนดหายไปความสัมพันธ์
ตัวแปรคลื่น) การสุ่มตัวอย่าง (ผลกระทบการออกแบบและการสอบถามเครือข่ายที่ไม่สมบูรณ์) คำนวณ
ข้อผิดพลาดมาตรฐานและแม้แต่การตีความสาเหตุของพารามิเตอร์แบบตัวอย่างเช่นยังคง
ถูก addressed .
แต่มากกว่า foreswear ข้อสังเกตเกี่ยวกับปรากฏการณ์เครือข่ายสังคมของเราได้รับการแต่งตั้ง
ในหนังสือพิมพ์ของเราในการวิเคราะห์ข้อมูลที่มีอยู่และเราพยายามที่จะอธิบายลักษณะข้อ จำกัด ที่รู้จักและ assump-
tions ในวิธีการที่ใช้ได้ นอกจากนี้ยังมีของหลักสูตรนักวิทยาศาสตร์ระบุข้อ จำกัด ในวิธีการในปัจจุบันหลายคน
จะเราหวังว่ายังใช้ขั้นตอนต่อไปในการคิดค้นและนำเสนอทางเลือกเพราะวิธีการทางสถิติทั้งหมด
มีข้อ จำกัด และพวกเขามักพึ่งพาสมมติฐาน untestable หรืออึดอัด เราหวังว่าการทำงานของเราเอง
ได้เล่นเป็นส่วนหนึ่งในการกระตุ้นความสนใจในการพัฒนาวิธีการทางสถิติสำหรับข้อมูลเครือข่าย เรากำลังระหว่าง
ested ในการปรับใช้วิธีการใหม่และดีกว่าและเรากำลังพยายามที่จะนำไปสู่การมีความคืบหน้าในบริเวณนี้เป็น
อธิบายไว้ด้านล่าง ดังนั้นเราขอเชิญชวนให้ข้อเสนอแนะเกี่ยวกับวิธีการวิเคราะห์ข้อมูลดังกล่าวหากวิธีการในปัจจุบัน
มีข้อ จำกัด ที่บางคนพบอย่างท่วมท้น.
เงินกระดาษนี้ดังต่อไปนี้ ครั้งแรกในส่วนที่ 2 เราจะอธิบายชุดข้อมูลที่สำคัญที่เราประกอบและ
วิเคราะห์ครั้งแรกที่เรียกว่า FHS-Net ถึงแม้ว่าเราจะอธิบาย FHS-Net ในรายละเอียดเราทราบว่าเราและ
คนอื่น ๆ ที่มีการจำลองแบบการค้นพบของเราโดยใช้ชุดข้อมูลและวิธีการอื่น ๆ ตามที่กล่าวไว้ด้านล่างรวมถึงการ
ทดลองใช้ ในส่วนที่ 3 เราจะอธิบายการวิเคราะห์พื้นฐานที่เกี่ยวข้องกับการทดสอบการเปลี่ยนแปลงที่แสดง clus-
tering ของลักษณะต่าง ๆ ภายในเครือข่ายทางสังคมต่างๆที่สังเกต มาตรา 4 ที่อยู่ในชุดของความกังวล
เกี่ยวกับธรรมชาติของอคติที่อาจเกิดขึ้นแนะนำให้รู้จักกับประมาณการของการจัดกลุ่มโดยธรรมชาติที่ จำกัด ของ
ความสัมพันธ์ทางสังคมที่มีอยู่ใน FHS-Net หมวดที่ 5 อธิบายถึงรูปแบบการถดถอยยาวที่เรานำไปใช้
ในการวิเคราะห์ผลกระทบภายในเครือข่ายเพียร์ในระดับ dyadic เราพยายามที่จะให้ comprehen-
ทบทวน sive ของสมมติฐานและอคติอยู่ในรูปแบบดังกล่าว นอกจากนี้เรายังสรุปการส่งออกเป็นรูปแบบ
นำไปใช้มากกว่าหนึ่งชุด ในส่วนที่ 6 เราจะอธิบายกลยุทธ์ประจำตัวนิยายที่เรานำเสนอใน
2007 ที่เกี่ยวข้องกับการใช้ประโยชน์จากทิศทางของความสัมพันธ์ทางสังคมบางอย่าง นอกจากนี้เรายังอธิบายขยายและ
ข้อ จำกัด เนื่องจากลักษณะโดยนักวิทยาศาสตร์อื่น ๆ มาตรา 7 อธิบายถึงวิธีการที่ตั้งทางภูมิศาสตร์สารสนเทศ
อาจจะใช้ mation ที่จะช่วยให้บางประเภทที่อยู่ของรบกวนเครือข่ายที่มีข้อมูลเชิง.
มาตรา 8 อธิบายวิธีข้อมูล FHS-Net ได้รับการเปิดเผยต่อสาธารณชนตั้งแต่ปี 2009 และข้อมูลอื่น ๆ ที่
เกี่ยวกับการพัฒนาเครือข่ายยาวอาจจะยัง จะได้รับ มาตรา 9 สรุปและ sum-
marizes ทำงานมากที่ได้รับการดำเนินการในปีที่ผ่านมาโดยนักวิชาการอื่น ๆ การจัดเก็บเอกสารการแพร่กระจาย
ในกระบวนการ networ

ผลลัพธ์ (ไทย) 3:

. . christakis และ J . H . ฟาวเลอร์
จึงครอบคลุมหลายโดเมน และอาศัยข้อมูลที่หลากหลายและวิธี มันสร้างก่อนการวิจัยเกี่ยวกับผลและอิทธิพลระหว่างบุคคล 'peer ' โดยการตรวจสอบข้อมูลที่บุคคลจะฝังตัวอยู่ในเครือข่ายขนาดใหญ่กว่า
2 คน เราสรุปงานนี้ และอธิบายการวิจารณ์ , นามสกุล และการยืนยันของการค้นพบของเรา

โดยนักวิทยาศาสตร์อื่น ๆโดยใช้วิธีการสร้างแบบจำลองที่คล้ายกันและใช้ข้อมูลจากแหล่งข้อมูลมากมายให้เราได้ศึกษา
'spread ' โรคอ้วน [ 14 , 15 ] [ 16 ] การสูบบุหรี่ การดื่มแอลกอฮอล์ [ 17 ] สุขภาพ คัดกรอง [ 18 ] ความสุข
[ 19 ] ความเหงา [ 20 ] , ซึมเศร้า [ 21 ] , นอนหลับ [ 22 ] การใช้ยา [ 22 ] , การหย่าร้าง [ 23 ] , การบริโภคอาหาร [ 24 ] , [ 6 ]
พฤติกรรมความร่วมมือ ไข้หวัดใหญ่ [ 4 ] , เพศและรสนิยมทางเพศ [ 25 ]และรสนิยมในดนตรี , หนังสือ ,
และภาพยนตร์ [ 26 ] นอกจากนี้เรายังได้ทำการทดลองเกี่ยวกับการแพร่กระจายภายในเครือข่ายด้าน
[ 6 , 7 ] และการชุมนุมทางการเมือง [ 3 ] ; ในการทดลองดังกล่าว สาเหตุการอนุมานเกี่ยวกับผลกระทบของเครือข่ายที่แข็งแกร่งมากขึ้น ( แม้ว่า
การทดลองมีข้อ จำกัด ของตัวเอง ) เราได้เคยรวม -
marized งานนี้และยังมีงานของนักวิชาการอื่น ๆ มากมายที่ได้ศึกษาเครือข่ายทางสังคม
และอิทธิพลระหว่างบุคคลในหนังสือของเราต่อ

, ตีพิมพ์ในปี 2009 [ 27 ] และ ใน 2008 บทความรีวิว
focusedonhealth [ 28 ] .
ในงานของเรา เราต้องใช้วิธีการที่ดีที่สุดในขณะนี้สามารถใช้ได้ สถิติเครือข่าย เป็นเขตที่เติบโตอย่างรวดเร็ว
( เพื่อประโยชน์ความคิดเห็น ของหัวข้อ ดู [ 29 ] ( 36 )และมันเป็นที่ชัดเจนว่าวิธีการที่สมบูรณ์แบบ , ฟรีของ
ข้อจำกัดหรือสมมติฐานไม่มีอยู่สำหรับทุกประเภทของคำถามที่อาจจะถามกับ obser -
vational ( หรือแม้กระทั่ง 2 ) ข้อมูล ปัญหาพื้นฐานในการจัดการกับข้อมูลสูญหาย ( หายไป ) , สัมพันธ์ ,
ความรู้ คลื่น ) ตัวอย่าง ( ผลการออกแบบและสมบูรณ์วิธีการค้นหาเครือข่าย ) , การคำนวณ
ข้อผิดพลาดมาตรฐานและแม้แต่การตีความเชิงสาเหตุของตัวแปร รุ่น ตัวอย่างเช่น ยังคงถูกเรียกว่า
.
แต่มากกว่า foreswear ข้อสังเกตเกี่ยวกับปรากฏการณ์สังคมเครือข่าย เราได้เลือก
ในเอกสาร วิเคราะห์ข้อมูลที่มีอยู่ และเราพยายามที่จะจำกัดความรู้ข้อจำกัดและ assump -
ยินดีด้วยในวิธีที่พร้อมใช้งาน . ยัง , แน่นอน , เป็นนักวิทยาศาสตร์ระบุข้อจำกัดในวิธีการในปัจจุบันหลาย
จะ เราหวังว่า ยังก้าวต่อไปเพื่อสร้างสรรค์นวัตกรรมและนำเสนอทางเลือก เพราะทุกวิธีทางสถิติ
มีข้อจำกัดและพวกเขามักพึ่งพา untestable หรืออึดอัดของสมมติฐาน เราหวังว่า
งานของเราเอง มีการเล่นเป็นส่วนหนึ่งในการกระตุ้นความสนใจในการพัฒนาวิธีการทางสถิติสำหรับข้อมูลเครือข่าย เรามีอินเตอร์ ested -
ปรับใหม่และดีกว่าวิธีการเราพยายามที่จะมีส่วนร่วมกับความก้าวหน้าในพื้นที่นี้เป็น
อธิบายไว้ด้านล่าง ดังนั้น เราขอเชิญให้ข้อเสนอแนะเกี่ยวกับวิธีการวิเคราะห์ข้อมูล เช่น ถ้าปัจจุบันมีข้อจำกัดบางค้นหาวิธี

นี้ท่วมท้น กระดาษเงิน ดังนี้ แรกในมาตรา 2 ที่เราอธิบายชุดข้อมูลที่สำคัญที่เราติดตั้งและ
แรกวิเคราะห์ที่เรียกว่า fhs สุทธิ แม้ว่าเราจะอธิบาย fhs สุทธิในรายละเอียด