A jackknife bias correction for nonlinear network data models with fixed effects
含固定效应的非线性网络数据模型的刀切偏差校正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：摘要明确研究网络中的二元关系、节点固定效应，以及互惠性和传递性等网络依赖。
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
含固定效应的非线性网络数据模型的刀切偏差校正
- 研究问题
- 含个体固定效应的二元关系模型如何缓解偶然参数偏差，并对平均效应、反事实和涉及多个节点的网络统计量进行校正？
- 方法与思路
- 作者提出刀切程序处理偶然参数问题，覆盖有向与无向网络及非二元结果，并将校正扩展至三元组、四元组相关函数。
- 材料陈述的贡献
- 摘要称，该方法可校正参数、平均效应及反事实估计，并用于互惠性、传递性等跨关系依赖的规格检验和国际贸易应用。
- 阅读关注点
- 核对刀切删除与重组规则、网络密度和跨关系依赖条件，以及多节点统计量的偏差展开、标准误和规格检验构造。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，不能判断稀疏网络下的适用性、偏差消除阶数或推断保证，也不能推断后续刊本变化。
原文摘要
I introduce a new method for bias correction of dyadic models with agent-specific fixed effects, including the dyadic link formation model with homophily and degree heterogeneity. The proposed approach uses a jackknife procedure to deal with the incidental parameters problem. The method can be applied to both directed and undirected networks, allows for non-binary outcome variables, and can be used to bias correct estimates of average effects and counterfactual outcomes. I also show how the jackknife can be used to bias correct fixed-effect averages over functions that depend on multiple nodes, e.g. triads or tetrads in the network. As an example, I implement specification tests for dependence across dyads, such as reciprocity or transitivity. Finally, I demonstrate the usefulness of the estimator in an application to a gravity model for import/export relationships across countries.