Modelling directed networks with reciprocity
具有互惠性的有向网络建模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：摘要直接研究有向网络连边、互惠机制、节点异质性及稀疏网络推断。
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
具有互惠性的有向网络建模
- 研究问题
- 有向网络中，相互连边的互惠效应究竟对应多大的有效样本量；作者研究其与非互惠连边的不同稀疏程度如何共同影响推断。
- 方法与思路
- 作者分析含互惠项的 Bernoulli 网络模型，再加入节点异质性及协变量驱动的连边互惠，并提出基于最大似然的推断。
- 材料陈述的贡献
- 摘要称，研究揭示稀疏网络中互惠与非互惠效应的相互作用，所提推断程序在有无协变量时均不要求预先知道稀疏水平。
- 阅读关注点
- 应核对有效样本量的定义、不同稀疏机制的渐近设定、节点异质性的处理，以及无需已知稀疏水平的推断条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定有效样本量的具体表达式、网络依赖假设或有限样本表现，也不涉及网络干扰效应识别。
原文摘要
Summary Asymmetric relational data are becoming increasingly prevalent in diverse fields, underscoring the need for developing directed network models to address the complex challenges posed by the unique structure of such data. Unlike undirected models, directed models can capture reciprocity, the tendency of nodes to form mutual links. This work addresses a fundamental question: what is the effective sample size for modelling reciprocity? We examine this question by analysing the Bernoulli model with reciprocity, allowing for varying sparsity levels between non-reciprocal and reciprocal effects. We then extend this framework to a model that incorporates node-specific heterogeneity and link-specific reciprocity using covariates. Our findings reveal the intriguing interplay between non-reciprocal and reciprocal effects in sparse networks. We propose a straightforward inference procedure based on maximum likelihood estimation that operates without prior knowledge of sparsity levels, whether covariates are included or not.