Autoregressive networks with dependent edges
具有依赖边的自回归网络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：摘要直接研究动态网络、依赖边、传递性与节点度异质性，符合网络建模方向。
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…
具有依赖边的自回归网络
- 研究问题
- 动态网络中的传递性、节点度异质性及边依赖如何建模；当参数较多时，如何改进分量估计并在非平稳情形下开展推断？
- 方法与思路
- 作者以给定滞后边信息后的当期边条件独立性构建自回归模型，通过投影迭代改进分量估计，并利用鞅差结构推导极限分布。
- 材料陈述的贡献
- 摘要称提出可模拟和进行极大似然估计的网络框架及改进估计量；其极限分布通常非正态，在某些混合条件下变为正态。
- 阅读关注点
- 应核对条件独立性与边依赖的关系、投影迭代的实现及误差控制，并确认非平稳渐近框架、混合条件和推断方式。
- 阅读边界
- 仅据所给 Crossref 在线优先版本摘要；参数增长条件、改进幅度及模拟数值未提供，不能将非平稳结果理解为无需其他限制。
原文摘要
Abstract We propose an autoregressive framework for modelling dynamic networks with dependent edges. It encompasses models that accommodate, for example, transitivity, degree heterogenenity, and other stylized features often observed in real network data. By assuming the edges of networks at each time are independent conditionally on their lagged values, the models, which exhibit a close connection with temporal exponential random graph models, facilitate both simulation and the maximum likelihood estimation (MLE) in a straightforward manner. Due to the possibly large number of parameters in the models, the natural MLEs may suffer from slow convergence rates. An improved estimator for each component parameter is proposed based on an iteration employing projection, which mitigates the impact of the other parameters. Leveraging a martingale difference structure, the asymptotic distribution of the improved estimator is derived without the assumption of stationarity. The limiting distribution is not normal in general, although it reduces to normal when the underlying process satisfies some mixing conditions. Illustration with a transitivity model was carried out in both simulation and a real network data set.