Empirical Likelihood for Network Data
网络数据的经验似然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：摘要以网络矩、网络形成模型和随机块模型检验为研究对象，直接对应网络数据的统计推断方向。
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
网络数据的经验似然
- 研究问题
- 如何基于网络矩构造非参数似然，对网络总体特征、网络形成参数和模型拟合进行推断，并应对稀疏网络导致的非枢轴性？
- 方法与思路
- 作者将刀切经验似然用于网络矩，区分无环与有环子图矩在稀疏情形下的表现，再修改统计量以恢复渐近枢轴性。
- 材料陈述的贡献
- 摘要称，修正方法可用于网络矩和形成模型参数推断及拟合优度检验，在较弱稀疏条件下有效，但计算负担高于未修正版。
- 阅读关注点
- 应核对不同子图矩对应的稀疏阈值、修正统计量的构造，以及枢轴极限所需条件，并比较理论适用范围扩展与计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；严重与中度稀疏的精确定义及修正公式未提供，不能判断任意稀疏网络中的有效性。
原文摘要
This article develops a concept of nonparametric likelihood for network data based on network moments, and proposes general inference methods by adapting the theory of jackknife empirical likelihood. Our methodology can be used not only to conduct inference on population network moments and parameters in network formation models, but also to implement goodness-of-fit testing, such as testing block size for stochastic block models. Theoretically we show that the jackknife empirical likelihood statistic for acyclic or cyclic subgraph moments loses its asymptotic pivotalness in severely or moderately sparse cases, respectively, and develop a modified statistic to recover pivotalness in such cases. The main advantage of our modified jackknife empirical likelihood method is its validity under weaker sparsity conditions than existing methods although it is computationally more demanding than the unmodified version.