Identification and Estimation of a Partially Linear Regression Model Using Network Data
利用网络数据识别与估计部分线性回归模型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。
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：摘要以网络形成的潜在因素、邻接矩阵平方和共同邻居匹配作为识别与估计依据，直接属于网络数据方法。
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
利用网络数据识别与估计部分线性回归模型
- 研究问题
- 当回归中的一个协变量是网络形成潜在驱动因素的未知函数时，如何利用网络链接信息识别并估计回归模型参数？
- 方法与思路
- 作者匹配邻接矩阵平方中列向量相似的个体，利用共同邻居数量刻画链接行为信息，避免指定并拟合参数化网络形成模型。
- 材料陈述的贡献
- 摘要称，在一大类网络形成模型中，邻接矩阵平方的列能够刻画个体链接行为的全部可识别信息，并据此提供一致估计量。
- 阅读关注点
- 应核对共同邻居信息刻画潜在异质性的条件、配对相似性的度量，以及回归参数识别与一致估计分别需要哪些限制。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出网络生成、回归误差及匹配条件，不能认定方法适用于任意网络或直接识别因果效应，也不推断刊本变化。
原文摘要
I study a regression model in which one covariate is an unknown function of a latent driver of link formation in a network. Rather than specify and fit a parametric network formation model, I introduce a new method based on matching pairs of agents with similar columns of the squared adjacency matrix, the ij th entry of which contains the number of other agents linked to both agents i and j . The intuition behind this approach is that for a large class of network formation models the columns of the squared adjacency matrix characterize all of the identifiable information about individual linking behavior. In this paper, I describe the model, formalize this intuition, and provide consistent estimators for the parameters of the regression model.