Network Cluster‐Robust Inference
网络聚类稳健推断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：摘要核心是网络依赖、网络分组与聚类稳健推断，因此归入网络与干扰。
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
网络聚类稳健推断
- 研究问题
- 单个大型网络中的观测被划为聚类后，什么网络结构能使聚类渐近独立，从而支持聚类稳健推断及有效的聚类选择？
- 方法与思路
- 作者以边界边数与体积之比定义的导通率衡量聚类质量，建立低导通率与渐近独立的联系，再利用图拉普拉斯谱选择和构造聚类。
- 材料陈述的贡献
- 摘要称，温和条件下低导通率是所需渐近独立的充要条件；模拟中此类聚类的尺寸控制较好，缺乏此结构时可能严重失真。
- 阅读关注点
- 应核对网络依赖和渐近框架、导通率条件的具体形式，以及谱方法如何确定聚类数量、处理缺少低导通率聚类的网络。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断所谓温和条件或模拟设定；相对 HAC 的尺寸表现只在所述模拟环境中得到支持。
原文摘要
Since network data commonly consists of observations from a single large network, researchers often partition the network into clusters in order to apply cluster‐robust inference methods. Existing such methods require clusters to be asymptotically independent. Under mild conditions, we prove that, for this requirement to hold for network‐dependent data, it is necessary and sufficient that clusters have low conductance, the ratio of edge boundary size to volume. This yields a simple measure of cluster quality. We find in simulations that when clusters have low conductance, cluster‐robust methods control size better than HAC estimators. However, for important classes of networks lacking low‐conductance clusters, the former can exhibit substantial size distortion. To determine the number of low‐conductance clusters and construct them, we draw on results in spectral graph theory that connect conductance to the spectrum of the graph Laplacian. Based on these results, we propose to use the spectrum to determine the number of low‐conductance clusters and spectral clustering to construct them.