4.8

4.md

@@ -438,3 +438,33 @@ logCCDF(x) = −α (logx − logx_m)
 
 通过这种查看数据的方式，我们可以看到 BA 模型与分布的尾部（值大于 20）匹配得相当好。WS 模型没有。
 
+## 4.8 解释性模型
+
+![](img/4-6.png)
+
+> 图 4.6：解释性模型的逻辑结构
+
+我们以 Milgram 的小世界实验开始讨论网络，这表明社交网络中的路径长度是惊人的小；因此，有了“六度分离”。
+
+当我们看到令人惊讶的事情时，自然会问“为什么”，但有时候我们不清楚我们正在寻找什么样的答案。一种答案是解释性模型（见图 4.6）。解释性模型的逻辑结构是：
+
+1.  在一个系统`S`中，我们看到一些可观察的东西`O`，值得解释。
+
+2.  我们构建一个与系统类似的模型`M`，也就是说，模型与系统之间的元素/组件/原理是对应的。
+
+3.  通过模拟或数学推导，我们表明，该模型展现出类似于`O`的行为`B`。
+
+4.  我们得出这样的结论：`S`表现`O`，因为 `S`类似于`M`，`M`表示`B`，而`B`类似于`O`。
+
+其核心是类比论证，即如果两个事物在某些方面相似，那么它们在其他方面可能是相似的。
+
+类比论证是有用的，解释模型可以令人满意，但是它们并不构成数学意义上的证明。
+
+请记住，所有的模型都有所忽略，或者“抽象掉”我们认为不重要的细节。对于任何系统都有很多可能的模型，它们包括或忽略不同的特性。而且可能会出现不同的行为模式，`B`，`B'`和`B''`，这些模式与`O`不同。在这种情况下，哪个模型解释了`O`？
+
+小世界现象就是一个例子：Watts-Strogatz（WS）模型和 Barabási-Albert（BA）模型都展现出小世界行为的元素，但是它们提供了不同的解释：
+
++   WS 模型表明，社交网络是“小”的，因为它们包括强连通的集群，和连接群集的“弱关系”（参见 <http://en.wikipedia.org/wiki/Mark_Granovetter#The_strength_of_weak_ties>）。
++   BA 模型表明，社交网络很小，因为它们包括度较高的节点，作为中心，并且随着时间的推移，由于优先添加，中心​​会增长。
+
+在科学的新兴领域，往往是这样，问题不是我们没有解释，而是它们太多。