跳到正文
← 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:摘要研究不可转移效用下的网络形成模型,并以消除个体异质性的矩条件估计模型参数,支持网络与结构估计分类。

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
Hanping Chen
Zeqi Wu

不可转移效用双边网络形成模型的矩条件

研究问题
存在不可观测个体异质性时,如何在不可转移效用的双边网络形成模型中构造不依赖个体固定效应的矩条件并进行推断?
方法与思路
作者利用五节点组的连边与协变量构造矩条件,提出五节点组GMM,并分别分析稠密、稀疏和超稀疏网络中的渐近性质。
材料陈述的贡献
摘要称构造在广泛协变量类别中具有最小性,估计量在三类网络下渐近正态,算法将朴素计算量由五次降至三次阶。
阅读关注点
应核对固定效应消除与最小性所需条件、不同稀疏度下的收敛率和方差,以及计算简化是否保持相同估计目标。
阅读边界
这是arXiv预印本,同行评审或接收未核实;摘要未列协变量限制和稀疏度阈值,应用中的正向关联不能直接解读为因果效应。

原文摘要

This paper investigates the construction of moment restrictions in dyadic network formation models with unobserved individual heterogeneity under nontransferable utility. Using observed links and covariates from five-node pentads, we construct moment restrictions that do not depend on individual fixed effects. For a broad class of covariate specifications, the construction is minimal in the sense that it uses the least possible number of nodes and dyads. Based on these moment restrictions, we propose the pentad-GMM estimator. We establish asymptotic normality of the pentad-GMM estimator in dense, sparse, and ultra-sparse network regimes, with regime-specific convergence rates and asymptotic variances. These results provide a basis for inference across all three regimes. To make our method computationally efficient, we develop an algorithm that reduces the computational cost of the estimator from naïve \(O(N^5)\) to \(O(N^3)\). We apply the proposed method to an academic-discussion network, and find academic homophily and a positive association between link formation and a potential partner's openness to different perspectives.

笔记与分组
相关领域论文