Estimating peer effects in noisy, low-rank networks via network smoothing
通过网络平滑估计含噪低秩网络中的同伴效应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：摘要直接研究网络测量误差、邻接矩阵估计及网络中的同伴效应。
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
通过网络平滑估计含噪低秩网络中的同伴效应
- 研究问题
- 实证网络常存在测量误差，标准同伴效应估计因此可能不一致；能否利用期望邻接矩阵的低秩结构恢复可靠估计？
- 方法与思路
- 作者将真实网络上的同伴效应估计转化为期望邻接矩阵的低秩估计，在加性噪声加权网络下建立理论并开展模拟。
- 材料陈述的贡献
- 摘要称，真实未观测网络与期望邻接矩阵上的同伴效应具有渐近等价性；模拟展示了该思路在多种不完整网络资料中的应用。
- 阅读关注点
- 应核对渐近等价成立的网络生成与噪声条件、低秩估计误差如何传递，以及不同网络采样方式对应的估计步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。理论针对加性噪声加权网络，其他噪声情形主要由模拟支持，具体条件未说明。
原文摘要
Peer effect estimation requires precise network measurement, yet most empirical networks are noisy, rendering standard estimators inconsistent. To address measurement error in networks, we propose a method to estimate peer effects in networks whose expected adjacency matrix is low-rank. Our key result shows that peer effects over a true unobserved network are asymptotically equivalent to peer effects over the expected adjacency matrix. This result reduces peer effect estimation in noisy networks to low-rank matrix estimation targeting the expected adjacency matrix. We develop our theory for weighted networks observed with additive noise, but simulations suggest approach can be applied more generally when there is a low-rank estimation method suited to a particular noise structure. We demonstrate via simulations that our approach applies to egocentric samples, aggregated relational data, and networks with missing edges, each requiring a different low-rank estimation method.