Semiparametric Estimation of Individual Coefficients in a Dyadic Link Formation Model Lacking Observable Characteristics
缺乏可观测特征的成对连边形成模型中个体系数的半参数估计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：摘要明确研究成对网络连边形成、个体固定效应及仅凭网络数据的估计，直接对应网络与干扰方向中的网络建模。
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
缺乏可观测特征的成对连边形成模型中个体系数的半参数估计
- 研究问题
- 只有网络连边数据、缺少个体或连边特征且不指定噪声分布时，如何估计代表相对受欢迎程度的个体固定效应并处理排序问题？
- 方法与思路
- 作者调整既有半参数程序，仅利用网络数据估计个体固定效应，并提出数据驱动的归一化方式，以处理单调性未落实带来的排序及数值问题。
- 材料陈述的贡献
- 摘要称，新归一化在许多情形优于常规标准化，且归一化系数与已知真实误差分布时具有相同收敛速率和极限分布。
- 阅读关注点
- 应核对连边模型、固定效应识别与归一化条件，尤其是排序反转如何被修正，以及与已知误差分布情形等价的渐近结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明完整识别条件和网络渐近设定，也未交代新成员连边预测的实现。
原文摘要
Dyadic network formation models have wide applicability in economic research, yet are difficult to estimate in the presence of individual specific effects and in the absence of distributional assumptions regarding the model noise component. The availability of (continuously distributed) individual or link characteristics generally facilitates estimation. Yet, while data on social networks has recently become more abundant, the characteristics of the entities involved in the link may not be measured. Adapting the procedure of \citet{KS}, I propose to use network data alone in a semiparametric estimation of the individual fixed effect coefficients, which carry the interpretation of the individual relative popularity. This entails the possibility to anticipate how a new-coming individual will connect in a pre-existing group. The estimator, needed for its fast convergence, fails to implement the monotonicity assumption regarding the model noise component, thereby potentially reversing the order if the fixed effect coefficients. This and other numerical issues can be conveniently tackled by my novel, data-driven way of normalising the fixed effects, which proves to outperform a conventional standardisation in many cases. I demonstrate that the normalised coefficients converge both at the same rate and to the same limiting distribution as if the true error distribution was known. The cost of semiparametric estimation is thus purely computational, while the potential benefits are large whenever the errors have a strongly convex or strongly concave distribution.