A Regression Framework for Studying Relationships among Attributes under Network Interference
网络干扰下属性关系研究的回归框架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：摘要直接研究网络连接、个体属性与相互依赖结果，并建立网络干扰下的联合回归框架。
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…
网络干扰下属性关系研究的回归框架
- 研究问题
- 在连接关系与个体属性相互依赖的网络中，如何建立可解释、可扩展的联合回归模型，研究属性关系并进行预测？
- 方法与思路
- 作者联合建模网络连接与属性依赖，采用基于下界最大化方法的伪似然凸优化，并分析单次网络观测下的估计。
- 材料陈述的贡献
- 摘要称该框架保留常见回归模型的可解释性，给出伪似然估计收敛率，并展示模拟和社交平台仇恨言论应用。
- 阅读关注点
- 应核对连接与属性依赖的参数化、单次观测下收敛所需条件，以及回归关系、网络干扰与因果解释之间的界限。
- 阅读边界
- 摘要未列出具体依赖限制或因果识别条件；标题中的网络干扰和联合回归本身不足以保证因果效应解释。
原文摘要
To understand how the interconnected and interdependent world of the twenty-first century operates and make model-based predictions, joint probability models for networks and interdependent outcomes are needed. We propose a comprehensive regression framework for networks and interdependent outcomes with multiple advantages, including interpretability, scalability, and provable theoretical guarantees. The regression framework can be used for studying relationships among attributes of connected units and captures complex dependencies among connections and attributes, while retaining the virtues of linear regression, logistic regression, and other regression models by being interpretable and widely applicable. On the computational side, we show that the regression framework is amenable to scalable statistical computing based on convex optimization of pseudo-likelihoods using minorization-maximization methods. On the theoretical side, we establish convergence rates for pseudo-likelihood estimators based on a single observation of dependent connections and attributes. We demonstrate the regression framework using simulations and an application to hate speech on the social media platform X.