Asymptotics in directed exponential random graph models with an increasing bi-degree sequence
双度序列维度增长的有向指数随机图模型渐近理论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：摘要直接研究以入度和出度为统计量的有向网络模型及单张网络上的估计。
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
双度序列维度增长的有向指数随机图模型渐近理论
- 研究问题
- 在仅观测一张有向网络且入度、出度参数数量随网络增大时，极大似然估计能否保持一致并具有渐近正态性？
- 方法与思路
- 作者以入度和出度为充分统计量研究二元边及连续加权边模型，并用简单矩阵高精度近似 Fisher 信息矩阵的逆。
- 材料陈述的贡献
- 摘要称建立了增长参数维度下极大似然估计的一致性与渐近正态性，并通过数值研究支持所述理论结果。
- 阅读关注点
- 核对边权分布、参数增长及参数大小的限制，检查一致性的统一含义和信息矩阵逆近似误差如何进入极限论证。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明具体增长速率、网络依赖结构或数值结果，不能推广到所有有向网络模型。
原文摘要
Although asymptotic analyses of undirected network models based on degree sequences have started to appear in recent literature, it remains an open problem to study statistical properties of directed network models. In this paper, we provide for the first time a rigorous analysis of directed exponential random graph models using the in-degrees and out-degrees as sufficient statistics with binary as well as continuous weighted edges. We establish the uniform consistency and the asymptotic normality for the maximum likelihood estimate, when the number of parameters grows and only one realized observation of the graph is available. One key technique in the proofs is to approximate the inverse of the Fisher information matrix using a simple matrix with high accuracy. Numerical studies confirm our theoretical findings.