Dyadic data with ordered outcome variables
具有有序结果变量的成对数据模型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。
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：摘要明确使用有序 Logit 建模有向成对网络，并分析友谊连接及发送者、接收者效应，对应离散选择与网络计量。
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
具有有序结果变量的成对数据模型
- 研究问题
- 作者研究有向网络中的有序结果如何估计，重点处理随结果类别变化的发送者和接收者固定效应，以及稀疏网络中的附带参数问题。
- 方法与思路
- 作者将四元组差分条件极大似然推广至有序 Logit，通过条件化消除固定效应，并构造等权和合并两类阈值贡献估计量。
- 材料陈述的贡献
- 摘要称，合并四元组估计量在更弱识别条件下一致，模拟支持其表现，并在荷兰大学生友谊网络中发现若干正向同质性效应。
- 阅读关注点
- 应核对四元组选择、条件化消除固定效应的步骤、稀疏性与信息量要求，以及跨类别合并为何能够放宽识别条件。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未给出稀疏程度界限和效应数值，实证同质性不能直接解释为因果效应。
原文摘要
We consider ordered logit models for directed network data that allow for flexible sender and receiver fixed effects that can vary arbitrarily across outcome categories. This structure poses a significant incidental parameter problem, particularly challenging under network sparsity or when some outcome categories are rare. We develop the first estimation method for this setting by extending tetrad-differencing conditional maximum likelihood (CML) techniques from binary choice network models. This approach yields conditional probabilities free of the fixed effects, enabling consistent estimation even under sparsity. Applying the CML principle to ordered data yields multiple likelihood contributions corresponding to different outcome thresholds. We propose and analyze two distinct estimators based on aggregating these contributions: an Equally-Weighted Tetrad Logit Estimator (ETLE) and a Pooled Tetrad Logit Estimator (PTLE). We prove PTLE is consistent under weaker identification conditions, requiring only sufficient information when pooling across categories, rather than sufficient information in each category. Monte Carlo simulations confirm the theoretical preference for PTLE, and an empirical application to friendship networks among Dutch university students demonstrates the method's value. Our approach reveals significant positive homophily effects for gender, smoking behavior, and academic program similarities, while standard methods without fixed effects produce counterintuitive results.