Triadic Network Formation
三元网络形成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：摘要直接研究三元网络连接形成，并采用带固定效应的二元选择 logit 模型。
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
三元网络形成
- 研究问题
- 在带有配对层面固定效应的三元网络中，如何估计连接形成机制，并判断网络稀疏程度是否足以支持一致估计和有效推断？
- 方法与思路
- 作者在非线性二元选择 logit 框架中提出 hexad logit，通过对六节点连接构型的充分统计量条件化，消除配对固定效应。
- 材料陈述的贡献
- 摘要称该估计量具有一致性和渐近正态性，并指出配对异质性可能使连接不断增加而有效构型消失，进而推导相应稀疏性阈值。
- 阅读关注点
- 应核对六节点构型如何消除各类固定效应、识别需要哪些连接模式，以及一致性和渐近正态性的稀疏阈值如何限制数据细分。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出具体阈值、网络依赖条件及有限样本表现。
原文摘要
We study estimation and inference for triadic link formation with dyad-level fixed effects in a nonlinear binary choice logit framework. Dyad-level effects provide a richer and more realistic representation of heterogeneity across pairs of dimensions (e.g. importer-exporter, importer-product, exporter-product), yet their sheer number creates a severe incidental parameter problem. We propose a novel ``hexad logit'' estimator and establish its consistency and asymptotic normality. Identification is achieved through a conditional likelihood approach that eliminates the fixed effects by conditioning on sufficient statistics, in the form of hexads -- wirings that involve two nodes from each part of the network. Our central finding is that dyad-level heterogeneity fundamentally changes how information accumulates. Unlike under node-level heterogeneity, where informative wirings automatically grow with link formation, under dyad-level heterogeneity the network may generate infinitely many links yet asymptotically zero informative wirings. We derive explicit sparsity thresholds that determine when consistency holds and when asymptotic normality is attainable. These results have important practical implications, as they reveal that there is a limit to how granular or disaggregate a dataset one can employ under dyad-level heterogeneity.