5.4 零模型比对：这网络到底特殊不特殊

摘要：零模型是「保持某些量不变的随机化网络」，用于检验观测结构是否超出随机预期。本节装配两台主力机床：保度配置模型（随机重配边、度序列不动）与局部重连模型（度序列与局部结构双保全）；给出 Z 分数的标准读法；并以聚类系数与传递性、网络 motifs 两案示范全流程；收尾讨论「保持什么不变」的选择艺术。本节在体系中的位置：仪表车间质检机，全册「读数自带参照系」纪律的总装线——第 3 章登记的聚类超额、第 5.2 节模块度的显著性，都在这里领到判决。

「特殊」必须先问「比什么随机」

车间质检的最后一问最容易被跳过：测出一个漂亮读数之后——聚类高出天际、模块度零点好几、三角形一麻袋——这到底算不算「特殊」？答案取决于你拿什么当「普通」。第 2 章用 ER 图当普通，但 ER 图连度序列都对不上号：拿它当基线比聚类，肥尾本身就能贡献超额三角形（高度节点天然容易互为邻居的邻居）——基线选错，结论整个作废。零模型的核心设计问题由此浮出水面：在随机化的同时保持哪些量不变。保得越多，零模型越「像」原网络，检验越严格；保得越少，基线越宽松，显著性的水分越大。

两台主力机床

配置模型（保度随机化）：把每条边拆成两个半边，按节点度数分发半边，再两两随机配对——度序列严格保持，其他一切随机。它是「一阶零模型」，模块度公式里「期望项」的期望正来自于它；也是聚类显著性检验的默认基线。局部重连模型（马斯洛夫—斯内彭重连）：随机挑两条边做双交换（保持四个端点的度不变），重复足够多次——它同时近似保持度序列与局部连接格局，是「二阶零模型」的实操版，比配置模型更严格，常用于 motifs 与局部结构检验。还有「保社团基线」等更严的变体——零模型是一族谱系，不是一台机器。

Z 分数是标准读数：观测值减去零模型均值，除以零模型标准差。绝对值过二约当百分位九五，过三约当百分位九九——但要注意零模型分布未必近似正态，严肃场合报告经验分位数。多重要多微小的结构一起检验时，还要做多重比较校正——一口气测几十种 motif，总有几种「恰好显著」，这是统计学的老坑，别让它坑了网络分析。

全流程案例一：聚类到底超不超额

第 3 章登记过「真实网络聚类超随机数倍」，但当时对照的是 ER 图——肥尾混杂未除。现在换配置模型重审：


import networkx as nx
import random

def configuration_rewire(G, swaps=None, seed=0):
    """度保持的双边交换零模型（简化配置模型）"""
    rng = random.Random(seed)
    H = G.copy()
    edges = list(H.edges())
    if swaps is None:
        swaps = 10 * len(edges)
    for _ in range(swaps):
        (a, b), (c, d) = random.sample(edges, 2)
        if a not in (c, d) and b not in (c, d) and not H.has_edge(a, d) and not H.has_edge(b, c):
            H.remove_edge(a, b); H.remove_edge(c, d)
            H.add_edge(a, d); H.add_edge(b, c)
            edges = list(H.edges())
    return H

G = nx.karate_club_graph()
C_obs = nx.average_clustering(G)
nulls = [nx.average_clustering(configuration_rewire(G, seed=s)) for s in range(20)]
mean = sum(nulls) / len(nulls)
var = sum((x - mean) ** 2 for x in nulls) / len(nulls)
z = (C_obs - mean) / (var ** 0.5)
print(f"观测聚类 {C_obs:.3f} | 零模型均值 {mean:.3f} ± {var**0.5:.3f} | Z={z:.1f}")

读数给聚类超额盖上正式公章：在度序列完全相同的前提下，实测聚类仍远超随机预期——超额部分才是「三方闭包式组织」的净贡献，肥尾的混杂贡献已被扣除。这一步正是第 3 章预告的「保度零模型这道闸」，闸现在过完了。

全流程案例二：网络 motifs——零件级显著性

零模型的第二个经典应用在「零件」粒度：网络 motifs——统计网络中每种小三/四节点子图（三角形、链、星等）的出现次数，与零模型系综比对，找出「显著过量」的回路模式。生物网络的著名结论即由此而来：转录调控网络里特定的三节点回路（前馈回路）显著过量，被认为是基因调控的「可靠过滤电路」；不同物种的过量 motif 谱高度一致，提示深层的构建规律。motif 分析的流水线与本节完全同构：枚举子图计数、生成零模型系综、逐 motif 算 Z、多重比较校正——它把「结构特殊性」的检验下沉到元器件层面，是零模型哲学最漂亮的展品。


import networkx as nx
import random

def triad_counts(G):
    """简版：数三角形与开式三元组（两连边缺一边）"""
    tri = sum(nx.triangles(G).values()) // 3
    open_v = 0
    for v in G:
        nbrs = list(G[v])
        for i in range(len(nbrs)):
            for j in range(i + 1, len(nbrs)):
                if not G.has_edge(nbrs[i], nbrs[j]):
                    open_v += 1
    return tri, open_v

G = nx.karate_club_graph()
tri_obs, open_obs = triad_counts(G)
null_tri = [triad_counts(configuration_rewire(G, seed=s))[0] for s in range(15)]
mean = sum(null_tri) / len(null_tri)
sd = (sum((x - mean) ** 2 for x in null_tri) / len(null_tri)) ** 0.5
print(f"三角形：观测 {tri_obs} | 零模型均值 {mean:.1f} ± {sd:.1f} | "
      f"Z={(tri_obs-mean)/sd:.1f}")

三角形计数的 Z 值与案例一的聚类检验互为印证——两者本就是同一枚硬币（聚类系数就是三角形密度）。若把计数器换成「星形」「前馈回路」，流水线立即变成 motifs 分析——车间通用性尽在于此。

图零模型质检流水线

选择的艺术：保持什么不变

零模型的谱系按「保真度」排队，选型即立场。保度配置模型回答「去掉度分布后还剩什么特殊」；局部重连回答「再去掉局部格局后呢」；保社团零模型回答「社团内部还特殊吗」。每往上一档，检验换一个问题——所以「网络特殊吗」没有统一答案，只有「相对哪个零模型特殊」。实务两戒：一戒基线过松（拿 ER 图检验一切，显著注水）；二戒基线过严（保持过多不变量后，想检验的性质本身也被保掉了——检验三角形就得允许重连三角形，零模型里它必须能自由变异）。零模型的选择，本质是把自己关于网络的假设摊开来接受审视。

⚠️ 常见坑：Z 分数跨网络不可直接比大小——零模型标准差随网络规模缩水，大网络的 Z 天然膨胀。跨网络比较要用标准化效应量的其他口径，或干脆报告「零模型分位数」。

本站收束

零模型 = 保持指定量不变的随机化网络；「保持什么不变」决定了检验在问什么
两台主力：保度配置模型（一阶）与局部重连（二阶）；谱系可继续加严
Z 分数与经验分位数是标准读数；多重比较必须校正；Z 不跨网络比大小
聚类超额在保度零模型下仍成立——三方闭包的净贡献拿到正式公章
motifs 检验把显著性下沉到零件级，是零模型哲学的旗舰应用

仪表车间全部竣工：四台设备（找要害、切块、算临界、验特殊）都已验收出厂。下一章网络放归野外——传播、级联、同步、舆论，四间动力学实验室同时开炉。

作者与出处

原作者：灏天文库

来源：灏天文库

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流

5.4 零模型比对：这网络到底特殊不特殊