Penalized Likelihood for Dyadic Network Formation Models with Degree Heterogeneity
度异质性双边网络形成模型的惩罚似然估计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：摘要明确研究双边网络形成、节点度异质性、互惠关系与稀疏网络估计，直接对应网络与干扰细分中的网络方向。
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
度异质性双边网络形成模型的惩罚似然估计
- 研究问题
- 在存在零连接、完全连接和度异质性的网络中，如何同时解决固定效应极大似然不存在与附带参数偏差，并避免删样本？
- 方法与思路
- 作者对包含互惠关系的有向网络模型引入惩罚似然，修正系数和平均偏效应偏差，并允许固定效应按对数速率发散。
- 材料陈述的贡献
- 摘要称惩罚保证有限样本估计存在，渐近框架容纳稀疏度结构；全球贸易应用展示其避免删节点选择偏差的作用。
- 阅读关注点
- 应核对惩罚形式、存在性与唯一性的区别、稀疏程度及固定效应增长限制，以及偏效应修正和贸易应用的识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明惩罚细节与完整渐近条件，避免删节点不代表消除了所有选择或内生性问题。
原文摘要
Estimating network formation models with degree heterogeneity raises two problems in empirical networks. First, agents that send no links, receive no links, or link to all remaining agents can make the fixed-effects MLE fail to exist. Trimming these agents changes the estimation sample and induces selection bias. Second, the incidental-parameter problem biases common parameters and average partial effects. We resolve both issues through a penalized likelihood approach. Our leading specification is a directed network model with reciprocity, nesting the standard undirected and non-reciprocal directed models. The penalty guarantees finite-sample existence and yields bias corrections for coefficients and partial effects. We establish asymptotic results without imposing compactness on the fixed-effects. Allowing the fixed effects to diverge at a logarithmic rate, our asymptotic framework accommodates the degree sparsity ubiquitous in large empirical networks. A global trade application demonstrates that our estimator avoids selection bias and recovers robust parameters where conventional methods fail.