Social networks represent two different facets of social life: (1) stable paths for diffusion, or the spread of something through a connected population, and (2) random draws from an underlying social space, which indicate the relative positions of the people in the network to one another. The dual nature of networks creates a challenge: if the observed network ties are a single random draw, is it realistic to expect that diffusion only follows the observed network ties? This study takes a first step toward integrating these two perspectives by introducing a social space diffusion model. In the model, network ties indicate positions in social space, and diffusion occurs proportionally to distance in social space. Practically, the simulation occurs in two parts. First, positions are estimated using a statistical model (in this example, a latent space model). Then, second, the predicted probabilities of a tie from that model—representing the distances in social space—or a series of networks drawn from those probabilities—representing routine churn in the network—are used as weights in a weighted averaging framework. Using longitudinal data from high school friendship networks, the author explores the properties of the model. The author shows that the model produces smoothed diffusion results, which predict attitudes in future waves 10 percent better than a diffusion model using the observed network and up to 5 percent better than diffusion models using alternative, non-model-based smoothing approaches.

中文翻译：

---

社会空间扩散：潜在空间模型在不确定关系扩散中的应用

社交网络代表了社会生活的两个不同方面：(1) 稳定的传播路径，或通过相关人群传播的东西，以及 (2) 从潜在的社会空间中随机抽取，这表明人们在社会中的相对位置网络相互。网络的双重性质带来了一个挑战：如果观察到的网络关系是一次随机抽取，那么期望扩散只遵循观察到的网络关系是否现实？本研究通过引入社会空间扩散模型，迈出了整合这两种观点的第一步。在模型中，网络关系表示在社会空间中的位置，扩散与社会空间中的距离成正比。实际上，模拟分两部分进行。首先，使用统计模型估计位置（在本例中，潜在空间模型）。其次，该模型预测的平局概率（代表社交空间中的距离）或从这些概率中提取的一系列网络（代表网络中的常规流失）用作加权平均框架中的权重。作者使用来自高中友谊网络的纵向数据，探索了该模型的特性。作者表明，该模型产生了平滑的扩散结果，与使用观察到的网络的扩散模型相比，预测未来波浪中的姿态高出 10%，比使用替代的、非基于模型的平滑方法的扩散模型高 5%。该模型预测的平局概率（代表社交空间中的距离）或从这些概率中提取的一系列网络（代表网络中的常规流失）用作加权平均框架中的权重。作者使用来自高中友谊网络的纵向数据，探索了该模型的特性。作者表明，该模型产生了平滑的扩散结果，与使用观察到的网络的扩散模型相比，预测未来波浪中的姿态高出 10%，比使用替代的、非基于模型的平滑方法的扩散模型高 5%。该模型预测的平局概率（代表社交空间中的距离）或从这些概率中提取的一系列网络（代表网络中的常规流失）用作加权平均框架中的权重。作者使用来自高中友谊网络的纵向数据，探索了该模型的特性。作者表明，该模型产生了平滑的扩散结果，与使用观察到的网络的扩散模型相比，预测未来波浪中的姿态高出 10%，比使用替代的、非基于模型的平滑方法的扩散模型高 5%。