Statistical Inference in Large Multi-way Networks
大型多维网络中的统计推断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。
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：摘要直接研究加权多维网络的结构参数与固定效应估计，因此归入网络方法及结构估计。
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…
大型多维网络中的统计推断
- 研究问题
- 在带有复杂固定效应的加权多维网络中，如何估计结构参数并避免附带参数偏差？网络稀疏或部分维度较短时能否可靠推断？
- 方法与思路
- 作者提出基于一系列分类任务的 Polyads 估计量，以控制丰富固定效应，研究一致性与中心极限定理，并与 PPML 及偏差修正方法比较。
- 材料陈述的贡献
- 摘要称该方法无渐近偏差，稀疏网络下计算更快且置信区间覆盖更可靠，并将其用于法国医生收费改革与医患连接结构分析。
- 阅读关注点
- 应核对网络生成与固定效应条件、短维度下的渐近框架、模型误设时估计目标，以及稀疏性对计算与覆盖比较的具体影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供完整条件和比较数值，也不能据此判定收费改革应用具备因果识别。
原文摘要
We propose the Polyads estimator, a new method to estimate structural parameters in weighted multi-way networks while controlling for rich, arbitrary structures of fixed effects. The method is based on a series of classification tasks and is agnostic to both the number and structure of fixed effects. Unlike full maximum likelihood, our estimator does not suffer from the incidental parameter problem: it is consistent and satisfies a Central Limit Theorem with no asymptotic bias, even when some dimensions of the network are short. For sparsely connected networks, it is also computationally faster than PPML. We provide experimental evidence that our estimator yields more reliable confidence intervals, i.e., better empirical coverage, than PPML and its bias-correction strategies. These improvements hold even under model misspecification and are more pronounced in sparse settings. While PPML remains competitive in dense, low-dimensional data, our approach offers a robust alternative for multi-way models that scales efficiently with sparsity. We apply the method to French health insurance claims data to study how a 2017 physician fee reform affected the geography and gender composition of doctor-patient connections.