Regression Modeling of the Count Relational Data with Exchangeable Dependencies
具有可交换依赖的计数关系数据回归建模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。
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：摘要直接研究有向计数边、网络依赖和食物分享网络中的交换行为，因此归入网络与干扰方向。
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
具有可交换依赖的计数关系数据回归建模
- 研究问题
- 如何直接建模有向网络中计数型边的依赖关系，并在不过度指定误差分布的情况下识别均值结构和推断回归系数？
- 方法与思路
- 作者提出潜在乘法泊松模型，以弱可交换潜在误差的成对依赖描述网络效应，并利用简洁的协方差表示构造伪似然估计。
- 材料陈述的贡献
- 摘要称，均值结构与系数的识别和推断仅通过误差协方差依赖于误差，并给出估计量的一致性、渐近正态性及食物分享网络应用。
- 阅读关注点
- 应核对弱可交换性的正式含义、泊松与潜在误差的关系，以及协方差估计、网络渐近框架和伪似然推断所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验。摘要未列出识别和极限定理的具体条件，也未报告应用中的效应大小。
原文摘要
Relational data characterized by directed edges with count measurements are common in social science. Most existing methods either assume the count edges are derived from continuous random variables or model the edge dependency by parametric distributions. In this paper, we develop a latent multiplicative Poisson model for relational data with count edges. Our approach directly models the edge dependency of count data by the pairwise dependence of latent errors, which are assumed to be weakly exchangeable. This assumption not only covers a variety of common network effects, but also leads to a concise representation of the error covariance. In addition, the identification and inference of the mean structure, as well as the regression coefficients, depend on the errors only through their covariance. Such a formulation provides substantial flexibility for our model. Based on this, we propose a pseudo-likelihood based estimator for the regression coefficients, demonstrating its consistency and asymptotic normality. The newly suggested method is applied to a food-sharing network, revealing interesting network effects in gift exchange behaviors.