Multivariate spatial autoregressive model for large scale social networks
大规模社会网络的多元空间自回归模型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。
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：摘要明确针对社会网络用户的多元响应建模，并以新浪微博网络数据作说明。
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…
大规模社会网络的多元空间自回归模型
- 研究问题
- 社会网络用户具有多个响应变量时，如何建立多元空间自回归模型，并在大规模网络中降低参数估计的计算成本？
- 方法与思路
- 作者先研究准极大似然估计，再针对其计算成本提出最小二乘估计，分析识别条件和渐近性质，并进行模拟及微博应用。
- 材料陈述的贡献
- 摘要提出用于社会网络多元响应的估计方案，并研究最小二乘方法的识别与渐近性质；模拟和新浪微博数据用于说明表现。
- 阅读关注点
- 应核对网络权重及多元响应的结构设定、两类估计量的识别条件，以及计算成本与统计精度之间的比较是否充分。
- 阅读边界
- 仅据所给出版社摘要，无法判断最小二乘估计的具体计算收益、效率损失或网络规模限制；应用也未提供因果解释依据。
原文摘要
The rapid growth of social network platforms generates a large amount of social network data, where multivariate responses are frequently collected from users. To statistically model such type of data, the multivariate spatial autoregressive (MSAR) model is studied. To estimate the model, the quasi maximum likelihood estimator (QMLE) is obtained under certain technical conditions. However, it is found that the computational cost of QMLE is expensive. To fix this problem, a least squares estimator (LSE) is developed. The corresponding identification conditions and asymptotic properties are investigated. To gauge the finite sample performance of various estimators, a number of simulation studies are conducted. Lastly, a Sina Weibo dataset is analyzed for illustration purpose.