Noise-adjusted turnover in estimated networks
估计网络中边更替的噪声校正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：摘要明确研究经济网络的边集合变化与网络估计误差，并以真实连接更替量为目标，直接对应网络与干扰细分中的网络方向。
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
估计网络中边更替的噪声校正
- 研究问题
- 比较两个时期估计网络的边集合时，如何区分真实结构更替与图选择误差，并判断稀疏性、误差校准和跨期依赖造成的影响？
- 方法与思路
- 作者在同质边误分类模型下，利用已知灵敏度、特异度及跨期条件独立，依据观测更替量和两期图规模构造无偏修正。
- 材料陈述的贡献
- 摘要称，潜在更替量具有闭式无偏调整；还推导稀疏网络中的虚假更替、误校准与跨期依赖偏差，并给出相对网络规模的一致性条件。
- 阅读关注点
- 应核对同质误分类与跨期条件独立是否适合实际网络，以及灵敏度、特异度的校准来源和修正结果对校准误差的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；无偏结论依赖所列误分类条件，摘要未说明未知或异质误差下如何可靠实施。
原文摘要
Economic networks are often estimated separately over two periods, and changes in their edge sets are interpreted as structural rewiring. Since both networks are estimated, observed turnover also reflects graph-selection error. We study the two-snapshot Hamming-turnover functional under a homogeneous edge-misclassification model. With known sensitivity and specificity and conditional independence of the estimated edge indicators across periods, latent turnover admits a closed-form unbiased adjustment based only on observed turnover and the two estimated graph sizes. We then examine the effects of sparsity, calibration error and dependence across periods. When the number of true links is proportional to $p$, a false-positive probability of order $p^{-1}$ generates expected spurious turnover of order $p$. An error of the same order in calibrating the false-positive probability can likewise leave order-$p$ bias after adjustment. We also derive the bias induced by cross-period dependence and give sufficient conditions for consistency relative to network size. Numerical results illustrate the finite-sample implications.