Non-representative sampled networks: Estimation of network structural properties by weighting
非代表性网络样本：通过加权估计网络结构性质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：摘要直接研究非代表性网络抽样对网络结构指标及网络效应估计的影响，并提出网络加权方法，明确对应网络与干扰方向。
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…
非代表性网络样本：通过加权估计网络结构性质
- 研究问题
- 当不同节点群体被遗漏的概率不同，网络样本会如何扭曲结构统计量及网络效应，能否通过加权减轻非经典测量误差？
- 方法与思路
- 作者将加权估计推广到网络场景，分析抽样率、关系询问方式与节点群体缺失对结构指标的影响，以恢复网络层面统计量。
- 材料陈述的贡献
- 摘要称，所提加权估计量一致且渐近正态，可恢复若干网络统计量并减少网络效应估计偏差，不需要假定网络形成模型。
- 阅读关注点
- 应核对节点纳入概率和权重如何获得、哪些网络统计量可恢复，以及缺失关系的处理、渐近框架和网络效应偏差减少的条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要；不需网络形成模型不等于无需抽样假设，权重可识别条件及有限样本设置未说明，也未核对其他版本。
原文摘要
This paper analyzes statistical issues arising from non-representative samples of a network. Sampled network data could systematically bias the network properties and generate non-classical measurement error problems. Apart from the sampling rate and the elicitation procedure, the biases on network structural measures depend non-trivially on which subpopulations of nodes are missing with higher probability. We propose a methodology, adapting weighted estimators to networked contexts, which enables researchers to recover several network-level statistics and reduce the biases in the estimated network effects. The proposed weighted estimators are consistent and asymptotically normally distributed and have good performance in finite samples. Notably, our approach does not require users to assume any network formation model and is straightforward to implement.