Network Regression and Supervised Centrality Estimation
网络回归与监督式中心性估计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。
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：摘要直接研究网络中心性与网络回归，并应用于利用贸易网络预测货币风险溢价。
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…
网络回归与监督式中心性估计
- 研究问题
- 当观测网络包含噪声时，先估计节点中心性再回归结果的两阶段程序有什么统计问题，能否通过联合估计改善中心性及网络效应推断？
- 方法与思路
- 作者建立统一模型分析含噪网络下的中心性估计、推断与后续网络回归，并提出利用结果信息同时估计中心性和网络效应的监督式方法。
- 材料陈述的贡献
- 摘要称，方法相对两阶段程序的优势由理论、模拟和全球贸易网络预测货币风险溢价的案例展示，但没有列出具体优势幅度与适用条件。
- 阅读关注点
- 应核对网络噪声模型、中心性定义及可识别性，检查联合估计的误差传递和推断条件，并关注贸易网络应用中的样本外验证方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本。摘要未说明网络效应是否具有因果解释，也未给出预测比较细节；所述优势不能直接推广到所有含噪网络。
原文摘要
The centrality in a network is often used to measure nodes’ importance and model network effects on a certain outcome. Empirical studies widely adopt a two-stage procedure, which first estimates the centrality from the observed noisy network and then infers the network effect from the estimated centrality, even though it lacks theoretical understanding. We propose a unified modeling framework to study the properties of centrality estimation and inference and the subsequent network regression analysis with noisy network observations. Furthermore, we propose a supervised centrality estimation methodology, which aims to simultaneously estimate both centrality and network effect. We showcase the advantages of our method compared with the two-stage method both theoretically and numerically via extensive simulations and a case study in predicting currency risk premiums from the global trade network.