Optimal Nonparametric Inference on Network Effects with Dependent Edges
边存在依赖时网络效应的最优非参数推断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：摘要直接研究加权有向网络、边依赖与网络效应检验，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
边存在依赖时网络效应的最优非参数推断
- 研究问题
- 在加权有向网络中，边之间的依赖会影响网络效应检验；如何构建非参数检验，并控制第一类错误和刻画检验功效？
- 方法与思路
- 作者提出非参数框架，处理检验统计量退化程度不确定的问题，建立第一类错误控制的 Berry–Esseen 型界并分析极小极大功效。
- 材料陈述的贡献
- 摘要称，方法拓展了相关 U 统计量工具，获得功效最优性结论；模拟比较计算与数值表现，并应用于美国教师招聘网络。
- 阅读关注点
- 应核对所检验网络效应的定义、允许的边依赖结构、退化情形及正则条件，以及误差界与功效最优性所对应的备择集合。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列明所谓最小正则条件，网络效应检验也未被明确表述为因果效应识别。
原文摘要
Testing network effects in weighted directed networks is a foundational problem in econometrics, sociology, and psychology. Yet, the prevalent edge dependency poses a significant methodological challenge. Most existing methods are model-based and come with stringent assumptions, limiting their applicability. In response, we introduce a novel, fully nonparametric framework that requires only minimal regularity assumptions. While inspired by recent developments in $U$-statistic literature (arXiv:1712.00771, arXiv:2004.06615), our approach notably broadens their scopes. Specifically, we identified and carefully addressed the challenge of indeterminate degeneracy in the test statistics $-$ a problem that aforementioned tools do not handle. We established Berry-Esseen type bound for the accuracy of type-I error rate control. Using original analysis, we also proved the minimax optimality of our test's power. Simulations underscore the superiority of our method in computation speed, accuracy, and numerical robustness compared to competing methods. We also applied our method to the U.S. faculty hiring network data and discovered intriguing findings.