Disentangling network dependence among multiple variables
分离多个变量之间的共同网络依赖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：摘要围绕互联个体的共同网络依赖、节点传播与网络自相关展开，并将预白化适配到网络结构，直接属于网络计量相关方向。
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
分离多个变量之间的共同网络依赖
- 研究问题
- 两个变量共享相同或相似网络依赖时，如何分离由网络结构引起的关联，使对互联个体变量关系的统计推断更可靠？
- 方法与思路
- 作者比较预白化与网络自相关模型，解释它们隐含的节点传播假设，并根据互动层次将已有预白化方法适配到网络场景。
- 材料陈述的贡献
- 摘要称两类方法在各自假设成立时可减少共同网络依赖造成的虚假关联，但模拟也显示对假设违反敏感，强调依赖结构设定的重要性。
- 阅读关注点
- 应核对变量传播和互动层次的数学表达、网络信息的使用方式，以及方法能消除哪些共同依赖，并检查设定错误时的推断表现。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要未说明完整模型条件与误差幅度，减少虚假关联不能直接建立因果关系。
原文摘要
When two variables depend on the same or similar underlying network, their shared network dependence structure can lead to spurious associations. While statistical associations between two variables sampled from interconnected subjects are a common inferential goal across various fields, little research has focused on how to disentangle shared dependence for valid statistical inference. We revisit two different approaches from distinct fields that may address shared network dependence: the pre-whitening approach, commonly used in time series analysis to remove the shared temporal dependence, and the network autocorrelation model, widely used in network analysis often to examine or account for autocorrelation of the outcome variable. We demonstrate how each approach implicitly entails assumptions about how a variable of interest propagates among nodes via network ties given the network structure. We further propose adaptations of existing pre-whitening methods to the network setting by explicitly reflecting underlying assumptions about "level of interaction" that induce network dependence, while accounting for its unique complexities. Our simulation studies demonstrate the effectiveness of the two approaches in reducing spurious associations due to shared network dependence when their respective assumptions hold. However, the results also show the sensitivity to assumption violations, underscoring the importance of correctly specifying the shared dependence structure based on available network information and prior knowledge about the interactions driving dependence.