Power and Multicollinearity in Small Networks: A Discussion of “Tale of Two Datasets: Representativeness and Generalisability of Inference for Samples of Networks” by Krivitsky, Coletti, and Hens
小型网络中的检验功效与多重共线性：关于网络样本推断的评论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：摘要明确讨论多网络 ERGM 的估计、样本量与共线性，直接对应网络数据分析。
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
小型网络中的检验功效与多重共线性：关于网络样本推断的评论
- 研究问题
- 对于使用异质数据来源的多网络指数族随机图模型，样本量要求和多重共线性会带来哪些估计与推断问题，需要如何审视？
- 方法与思路
- 这是一篇评论文章，作者围绕被评论论文的多网络 ERGM 建模、估计及估计后分析框架，聚焦其未讨论的样本量与共线性问题。
- 材料陈述的贡献
- 摘要明确将样本量要求和多重共线性列为评论重点；关于完整多网络分析流程的贡献归于被评论论文，不能归为本文新方法。
- 阅读关注点
- 应核对评论如何界定网络样本量、如何连接样本量与功效，以及共线性诊断和建议是否有推导、模拟或具体实例支持。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；本文是评论，摘要未给出样本量阈值、功效结果或共线性处理方案。
原文摘要
The recent work by Krivitsky, Coletti & Hens [KCH] provides an important new contribution to the Exponential-Family Random Graph Models [ERGMs], a start-to-finish approach to dealing with multi-network ERGMs. Although multi-network ERGMs have been around for a while (mostly in the form of block-diagonal models and multi-level ERGMs, see Duxbury and Wertsching (2023), Wang et al. (2013), Slaughter and Koehly (2016)), not much care has been given to the estimation and post-estimation steps. In their paper, Krivitsky, Coletti & Hens give a detailed layout of how to build, estimate, and analyze multi-ERGMs with heterogeneous data sources. In this comment, I will focus on two issues the authors did not discuss, namely, sample size requirements and multicollinearity.