Subsampling bootstrap of count features of networks
网络计数特征的子抽样 BootstrapAI 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：摘要明确研究随机网络计数特征的子抽样、分布与方差估计，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…
网络计数特征的子抽样 Bootstrap
- 研究问题
- 如何估计随机网络计数特征及其光滑函数的分布和方差，并降低大型网络中直接计算这些特征所需的成本？
- 方法与思路
- 作者提出 Bootstrap 子抽样方法，用于获得计数特征及其光滑函数的经验分布，并开展理论分析、模拟和真实网络应用。
- 材料陈述的贡献
- 摘要称，方法既可估计计数特征的方差，也可估计计算昂贵的特征计数；文章证明方差估计的理论性质并展示应用。
- 阅读关注点
- 应核对子抽样单位、抽样规模与重抽样机制，以及网络依赖和稀疏程度如何影响方差估计及计数近似。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确定理论性质的准确形式、模型条件或计算收益，真实网络数据与数值结果也未列出。
原文摘要
Analysis of stochastic models of networks is quite important in light of the huge influx of network data in social, information and bio sciences, but a proper statistical analysis of features of different stochastic models of networks is still underway. We propose bootstrap subsampling methods for finding empirical distribution of count features or “moments” (Bickel, Chen and Levina [Ann. Statist. 39 (2011) 2280–2301]) and smooth functions of these features for the networks. Using these methods, we cannot only estimate the variance of count features but also get good estimates of such feature counts, which are usually expensive to compute numerically in large networks. In our paper, we prove theoretical properties of the bootstrap estimates of variance of the count features as well as show their efficacy through simulation. We also use the method on some real network data for estimation of variance and expectation of some count features.