A Structural Model of Dense Network Formation
密集网络形成的结构模型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：摘要直接讨论连边外部性、密集网络形成以及收益参数的识别与贝叶斯估计，支持网络与结构估计分类。
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
密集网络形成的结构模型
- 研究问题
- 当连边收益包含网络外部性时，随机相遇和短视更新如何形成密集网络，哪些外部性条件允许识别模型参数并进行可行估计？
- 方法与思路
- 作者将直接连边收益与外部性纳入随机相遇、短视更新过程，借助势博弈得到有向密集网络的指数随机图模型，并采用贝叶斯 MCMC 估计。
- 材料陈述的贡献
- 摘要称外部性非负时模型渐近上难与独立连边模型区分；识别需至少一个足够强的负外部性，并在可识别时报告近二次时间收敛的证据。
- 阅读关注点
- 应核对势博弈与收敛结论成立的条件、负外部性的识别门槛，以及近二次时间收敛衡量什么、在哪些参数与网络规模下有证据。
- 阅读边界
- 摘要中的近二次时间收敛是所报告的证据，不能直接视为通用复杂度保证；大网络结论也不足以判定有限样本或稀疏网络中的表现。
原文摘要
This paper proposes an empirical model of network formation, combining strategic and random networks features. Payoffs depend on direct links, but also link externalities. Players meet sequentially at random, myopically updating their links. Under mild assumptions, the network formation process is a potential game and converges to an exponential random graph model (ERGM), generating directed dense networks. I provide new identification results for ERGMs in large networks: if link externalities are nonnegative, the ERGM is asymptotically indistinguishable from an Erdős–Renyi model with independent links. We can identify the parameters only when at least one of the externalities is negative and sufficiently large. However, the standard estimation methods for ERGMs can have exponentially slow convergence, even when the model has asymptotically independent links. I thus estimate parameters using a Bayesian MCMC method. When the parameters are identifiable, I show evidence that the estimation algorithm converges in almost quadratic time.