Inference for High-Dimensional Network Data
高维网络数据的统计推断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：摘要直接研究图距离刻画的网络依赖，并将同时推断用于网络溢出效应异质性。
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
高维网络数据的统计推断
- 研究问题
- 高维随机向量沿网络相互依赖时，如何兼顾依赖随图距离衰减与邻域规模增长，构造最大范数近似及同时推断？
- 方法与思路
- 作者以图距离上的函数依赖度量刻画相关性，在有限矩和次 Weibull 条件下建立高斯近似，并构造高维网络 HAC 估计量。
- 材料陈述的贡献
- 摘要称给出维数随网络规模增长的明确条件与可行同时推断；应用以置信带揭示溢出效应随网络同质性变化的局部差异。
- 阅读关注点
- 应核对网络邻域增长与依赖衰减的权衡、维数和矩条件、网络 HAC 的截断选择，以及条件溢出效应置信带的构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体增长条件，应用中的效应识别与置信带有效性还需阅读全文。
原文摘要
We develop a novel method of inference for network-dependent high-dimensional random vectors. Dependence is characterized via a functional dependence measure based on graph distance, allowing the approximation theory to capture the interaction between the decay of dependence and the growth of network neighborhoods. We establish Gaussian approximation results for the maximum norm under finite-moment and sub-Weibull conditions, providing explicit conditions under which the dimension may increase with the network size. We also propose a high-dimensional network HAC covariance estimator and establish its convergence properties, yielding a feasible procedure for simultaneous inference. Simulation studies demonstrate favorable finite-sample performance of the proposed method. We apply the procedure to study how spillover effects vary with an index of network homophily by constructing confidence bands for the conditional spillover-effect function. The application reveals heterogeneity and local significance that would be obscured by conventional low-dimensional inference.