Loading...
Unravelling social network dynamics: Statistical network models for relational events
Lakdawala,R.J.
Lakdawala,R.J.
Abstract
Social interactions form the backbone of human behaviour. From conversations and collaborations to conflicts, our actions are shaped by our interactions with others. These interactions are not random. They follow patterns that reflect the social structures, group dynamics, and histories in which they occur. Whether in classrooms, organizations, politics, or militarized conflicts, individuals tend to act in ways that are influenced by social dynamics such as their past interactions, social context, and the positions they occupy in a broader social network. To understand how the dynamics behind the interactions unravel over time, researchers often move beyond static views of social network ties and instead focus on relational events, which are discrete interactions between individuals that occur in time. Examples of relational events include sending an email, making a phone call, or initiating a conflict. The relational event modelling (REM) framework provides a powerful way to study these processes by combining ideas from social network analysis, event history analysis, and statistical modelling. By treating each event as part of a temporally ordered sequence, and situating it within a network of actors, REM makes it possible to uncover patterns such as reciprocity, homophily, and transitivity. This dissertation makes methodological, substantive and computational contributions in the field of relational event modelling. Chapter 2 introduces simulation frameworks for relational event models. These frameworks can simulate from both theoretically specified and empirically calibrated relational event models. This allows for the integration of statistical modelling with simulation techniques. The ability to generate data under specified conditions facilitates various research tasks, which are demonstrated with four case studies. The first illustrates simulation-based model goodness of fit evaluation using data from a network of criminal gangs. The second demonstrates how simulations can be used to develop social theory, pertaining to group dynamics. The third shows how simulations provide insight into the persistence and effectiveness of network interventions. The fourth explores how model sensitivity can be evaluated under alternative model specifications using simulations. Specifically sensitivity of a relational event model with time-varying effects is studied. The simulation frameworks for tie-oriented Relational Event Model and actor-oriented Dynamic Network Actor Models along with support for simulating from various extensions such as time-varying effects, memory effects, frailty and Dyadic Latent Class Relational Event Models are implemented in the R software package remulate. A tutorial on its usage is provided in Chapter 5. Chapter 3 introduces a dyadic latent class relational event model (DLC-REM) to account for unobserved heterogeneity in relational event models. Standard relational event models makes the assumption that network effects apply uniformly across all dyads. The DLC-REM addresses this homogeneity assumption by allowing dyads to be grouped into latent classes, each associated with distinct patterns of interaction mechanisms. Within each class, mechanisms such as reciprocity, transitivity, or homophily may operate differently. A concomitant model is included to examine the relationship between covariates and latent class membership. The model is evaluated using simulation studies and applied to a dataset on militarised inter-state disputes. This case study focuses on the roles of trade, democracy, and military alliances in shaping conflict behaviour across different classes of dyads. Chapter 4 extends the relational event model to incorporate the duration of events. Relational event models traditionally considered events to be instantaneous. How ever, relational events often have a duration attached to it such as in phone calls, militarized conflicts, interpersonal fights and social conversations. This chapter introduces the duration relational event model (DuREM), which captures how the duration of past events influences both the occurrence and the duration of future events. The model provides a way to account for variation in interaction intensity over time and for understanding how ongoing events affect subsequent relational dynamics. The methodology is illustrated with two empirical applications. The first examines team communication patterns in a research setting, while the second analyses interpersonal violence in a public place. The model is implemented in the R software package durem, with a corresponding tutorial provided in Chapter 6. ___ Socialeinteracties vormen de kern van menselijk gedrag. Van gesprekken en samenwerkingen tot conflicten, ons handelen wordtgevormd door onze interacties met anderen. Deze interacties zijn nietwillekeurig. Ze volgen patronen die de sociale structuren, groepsdynamieken engeschiedenis weerspiegelen waarin ze plaatsvinden.Of het nu gaat om klaslokalen, organisaties, politiek of militaire conflicten,individuen handelen vaak op manieren diebeïnvloed worden door sociale dynamieken zoals eerdere interacties, socialecontext en de posities die zij innemen binnen een breder sociaal netwerk. Om tebegrijpen hoe de dynamieken achter deze interacties zich in de tijd ontwikkelen, kijken onderzoekers vaak dieper danstatische benaderingen van netwerkrelaties en richten zij zich op relationalevents, dit zijn discrete interacties tussen individuendie plaatsvinden in de tijd. Voorbeelden van relational events zijn het versturen van een e-mail, het voeren van eentelefoongesprek of het beginnen van een conflict. Het relational eventmodelling (REM) kader biedt een krachtige manier om deze processen teanalyseren, door inzichten uit social network analysis, event history analysis en statistische modellering tecombineren. Door elke gebeurtenis te beschouwen als onderdeel van een temporeelgeordende reeks en deze te situeren binnen een netwerk van actoren, maakt REMhet mogelijk om patronen te ontdekken zoals reciprociteit, homophily entransitiviteit. Dit proefschrift levert methodologische,inhoudelijke en computationele bijdragen aan het onderzoeksveld van relationalevent modelling. Hoofdstuk 2 introduceert simulatiekaders voor relational eventmodels. Deze kaders kunnen simuleren op basis van zowel theoretischgespecificeerde als empirisch gekalibreerde modellen. Dit maakt het mogelijk omstatistische modellering te combineren met simulatiemethoden. De mogelijkheidom data te genereren onder gespecificeerde voorwaarden faciliteertverschillende onderzoekstaken, wat wordt geïllustreerd aan de hand van viercasestudy’s. De eerste laat zien hoe simulaties gebruikt kunnen worden om demodel fit van een relational event model te evalueren met behulp van data uiteen netwerk van criminele bendes. De tweede toont hoe simulaties gebruikt kunnen worden voor theorievorming, metbetrekking tot groepsdynamieken. De derde laat zien hoe simulaties inzichtgeven in de persistentie en effectiviteit van netwerkinterventies. De vierdeonderzoekt hoe de gevoeligheid van een model kan worden geëvalueerd onderalternatieve modelspecificaties. Specifiek is de gevoeligneid van eenrelational event model met tijdsafhankelijke effecten bestudeerd. De simulatiekaders voor tie-oriented RelationalEvent Models en actor-oriented Dynamic Network Actor Models, en ook metondersteuning voor simulaties met uitbreidingenzoals tijdsafhankelijke effecten, memory effects, frailty en Dyadic LatentClass Relational Event Models, zijn geïmplementeerd in het R-softwarepakketremulate. Een handleiding voor het gebruik ervan is opgenomen in Hoofdstuk 5. Hoofdstuk 3 introduceert het Dyadic Latent Class Relational Event Model (DLC-REM) om niet-geobserveerde heterogeniteitbinnen relational event models te mod[1]elleren. Standaardmodellen veronderstellendat netwerkeffecten uniform zijn over alle dyaden. De DLC-REM doorbreekt dezehomogeniteitsaanname door dyaden in latente klassen te groeperen, waarbij elkeklasse geassocieerd is met specifieke patronenvan interactiemechanismen. Binnen elke klasse kunnen mechanismen zoalsreciprociteit, transitiviteit of homophily op verschillende manieren werkzaamzijn. Een concomitant model wordt gebruikt om de relatie tussen covariaten enklassenlidmaatschap te onderzoeken. Het model wordtgeëvalueerd met simulatiestudies en toegepast op data over militaireinterstatelijke conflicten. Deze casestudy richt zich op de rol van handel,democratie en militaire allianties in het verklaren van conflictgedrag tussen verschillende typendyaden. Hoofdstuk 4 breidt het relational event model uit door de duur vangebeurtenissen te modelleren. Traditionele REM modellen beschouwengebeurtenissen als ogenblikkelijk. In werkelijkheid hebbenrelational events echter vaak een duur, zoals bij telefoongesprekken, militaireconflicten, interpersoonlijk geweld of sociale gesprekken. Dit hoofdstukintroduceert het Duration Relational Event Model (DuREM), dat modelleert hoe de duur van eerderegebeurtenissen zowel het optreden als de duur van toekomstige gebeurtenissenbeïnvloedt. Het model biedt een manier om variatiein interactie-intensiteit over tijd mee te nemen en om te begrijpen hoe lopendegebeurtenissen de daaropvolgende dynamieken beïnvloeden. De methode wordtgeïllustreerd aan de hand van twee empirische toepassingen. De eerstebestudeert communicatiepatronen binnen een onderzoeksteam. De tweede analyseertinterpersoonlijk geweld op een openbare locatie.Het model is geïmplementeerd in het R-softwarepakket durem, met eenbijbehorende handleiding in Hoofdstuk 6.
Description
Date
2025-09-12
Journal Title
Journal ISSN
Volume Title
Publisher
[s.n.]
Files
Research Projects
Organizational Units
Journal Issue
Keywords
Citation
Lakdawala, R J 2025, 'Unravelling social network dynamics : Statistical network models for relational events', Doctor of Philosophy, Tilburg University, s.l.. https://doi.org/10.26116/tsb.32104538
License
info:eu-repo/semantics/openAccess