Linear Regression with Centrality Measures
使用网络中心性指标的线性回归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：摘要直接分析稀疏且含观测误差的网络中心性回归，并以非正式保险网络为应用，属于网络方向。
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
使用网络中心性指标的线性回归
- 研究问题
- 当网络稀疏且观测含误差时，以中心性指标为解释变量的线性回归能否一致估计，其偏差与常规置信区间会受到何种影响？
- 方法与思路
- 作者比较特征向量、度与扩散中心性下的 OLS 性质，分析一致性阈值和渐近分布，并提出偏差修正与相应推断程序。
- 材料陈述的贡献
- 摘要称特征向量中心性更易受稀疏性影响，非零系数下渐近偏差可使常规推断失效，并用模拟与坦桑尼亚网络应用展示修正方法。
- 阅读关注点
- 应核对网络生成及测量误差假设、稀疏性阈值、不同中心性的归一化，以及偏差修正是否适用于实际可观测的网络信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出阈值公式、误差条件或实证结果，应用本身不确立因果关系。
原文摘要
This paper studies the properties of linear regression on centrality measures when network data is sparse and observed with error. We make three contributions in this setting. First, we show that OLS estimators can become inconsistent under sparsity and characterize the threshold at which this occurs, finding that regression on eigenvector centrality is less robust to sparsity than on degree and diffusion. Second, we derive the asymptotic distributions of the OLS estimators in regimes where they remain consistent. We show that when the target coefficients are non-zero, the estimators exhibit asymptotic bias that can be large relative to their variance, rendering conventional confidence intervals and t-tests invalid. Third, we propose bias correction and inference procedures for OLS with sparse, noisy networks. Simulations confirm that our methods perform well in such settings. We demonstrate the empirical relevance of our results in a stylized study of the relationship between consumption smoothing and informal insurance in Nyakatoke, Tanzania.