Network regression and supervised centrality estimation
网络回归与监督式中心性估计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：摘要直接研究噪声网络、中心性和网络回归，并明确应用于货币风险溢价预测，因此支持网络与金融收益预测方向。
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…
网络回归与监督式中心性估计
- 研究问题
- 当观测网络存在噪声时，先估计中心性再回归结果变量的两阶段做法有何推断性质，联合估计能否改善相关分析？
- 方法与思路
- 作者建立统一框架研究噪声网络下的中心性及后续回归，并提出利用结果变量信息同时估计中心性与网络效应的方法。
- 材料陈述的贡献
- 摘要称监督式中心性估计相较两阶段方法具有理论和模拟优势，并以全球贸易网络预测货币风险溢价展示应用。
- 阅读关注点
- 应核对网络噪声模型、中心性的定义与识别条件，以及结果信息参与估计后如何评估推断有效性和样本外预测表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明噪声条件或优势数值，网络回归效应不能据此认定为因果。
原文摘要
The centrality in a network is often used to measure nodes' importance and model network effects on a certain outcome. Empirical studies widely adopt a two-stage procedure, which first estimates the centrality from the observed noisy network and then infers the network effect from the estimated centrality, even though it lacks theoretical understanding. We propose a unified modeling framework to study the properties of centrality estimation and inference and the subsequent network regression analysis with noisy network observations. Furthermore, we propose a supervised centrality estimation methodology, which aims to simultaneously estimate both centrality and network effect. We showcase the advantages of our method compared with the two-stage method both theoretically and numerically via extensive simulations and a case study in predicting currency risk premiums from the global trade network.