Regression analysis of networked data
网络数据的回归分析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：摘要明确将网络拓扑和节点间相关性纳入回归，直接对应网络数据方法，但未提供因果干扰识别依据。
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
网络数据的回归分析
- 研究问题
- 当多维响应与协变量的关系受到网络节点间相关性的影响时，作者研究如何把网络拓扑信息纳入回归估计。
- 方法与思路
- 作者提出混合二次推断方法，结合先验网络相关结构与数据驱动相关结构，并通过 Godambe 信息制定两者的权重选择策略。
- 材料陈述的贡献
- 摘要称，该方法兼具计算速度与良好的大样本性质，权重策略旨在实现有效估计，并以模拟和婴儿神经影像关联研究展示应用。
- 阅读关注点
- 应核对网络结构的已知与估计部分、权重策略的效率标准、大样本渐近框架，以及应用中的关联解释是否涉及额外因果条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效率与渐近条件未说明，关联应用不足以确认因果效应，也不能推断刊本变化。
原文摘要
This paper concerns regression methodology for assessing relationships between multi-dimensional response variables and covariates that are correlated within a network. To address analytical challenges associated with the integration of network topology into the regression analysis, we propose a hybrid quadratic inference method that uses both prior and data-driven correlations among network nodes. A Godambe information-based tuning strategy is developed to allocate weights between the prior and data-driven network structures, so the estimator is efficient. The proposed method is conceptually simple and computationally fast, and has appealing large-sample properties. It is evaluated by simulation, and its application is illustrated using neuroimaging data from an association study of the effects of iron deficiency on auditory recognition memory in infants.