Network-Adjusted GMM Estimation under Network Uncertainty
网络不确定性下的网络调整 GMM 估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究社会互动网络的观测误差，并调整互动矩阵开展估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
网络不确定性下的网络调整 GMM 估计
- 研究问题
- 在观测网络偏离真实互动网络时，如何调整社会互动模型的矩条件估计，并明确估计目标及偏差改善的范围？
- 方法与思路
- 作者提出惩罚型网络调整 GMM，允许修改观测互动矩阵以改善矩条件拟合，同时惩罚调整幅度以限制网络修改。
- 材料陈述的贡献
- 摘要称，线性空间自回归模型下估计量对伪真参数一致且渐近正态，固定权重版本相较普通 GMM 具有偏差降低性质。
- 阅读关注点
- 应核对惩罚项和权重的设定、伪真参数与结构参数的关系，以及偏差降低结论的条件和网络调整的计算实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；方法不以恢复真实网络为目标，摘要结论不能直接解释为结构参数一致性。
原文摘要
This paper proposes a network-adjusted generalized method of moments (NA-GMM) estimator for social interaction models when the observed network may differ from the true interaction network. NA-GMM is a novel penalized GMM approach that allows the elements of the observed interaction matrix to be modified to improve the fit of the moment conditions. To avoid unrestricted network adjustments, the NA-GMM criterion introduces a penalty on the amount of adjustment. Since NA-GMM does not aim to estimate the true interaction network itself, the estimator generally converges to a pseudo-true parameter. For a linear spatial autoregressive model, we prove that the NA-GMM estimator is consistent for the pseudo-true parameter and is asymptotically normally distributed under general moment misspecification. We also prove that a fixed-weight version of the NA-GMM estimator has a desirable bias reduction property relative to conventional GMM without network adjustment. An empirical application to U.S. county-level COVID-19 infection data demonstrates the usefulness of the proposed method.