Inference in Semiparametric Formation Models for Directed Networks
有向网络半参数形成模型的推断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：摘要直接以有向网络的成对连边形成为对象，研究节点度异质性及同质偏好参数的估计与推断。
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…
有向网络半参数形成模型的推断
- 研究问题
- 在节点度参数维度随网络规模增长、潜在噪声分布未知时，如何估计并推断有向网络形成中的节点异质性与同质偏好？
- 方法与思路
- 作者建立包含入向与出向度参数、同质偏好回归参数和未知噪声分布的半参数模型，采用高维核最小二乘方法进行估计。
- 材料陈述的贡献
- 摘要称同质偏好参数估计不遭遇附带参数问题，并建立一致性和高维中心极限定理，支持度异质性检验、稀疏信号检验及支持集恢复。
- 阅读关注点
- 应核对网络形成与噪声的假设、核方法的实施条件、参数维度增长限制，以及附带参数问题如何避免和各类检验的适用范围。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；网络依赖、稀疏性及带宽条件未具体说明，不能将理论推广到任意网络形成机制或推断刊本变化。
原文摘要
We propose a semiparametric model for dyadic link formations in directed networks. The model contains a set of degree parameters that measure different effects of popularity or outgoingness across nodes, a regression parameter vector that reflects the homophily effect resulting from the nodal attributes or pairwise covariates associated with edges, and a set of latent random noises with unknown distributions. Our interest lies in inferring the unknown degree parameters and homophily parameters. The dimension of the degree parameters increases with the number of nodes. Under the high-dimensional regime, we develop a kernel-based least squares approach to estimate the unknown parameters. The major advantage of our estimator is that it does not encounter the incidental parameter problem for the homophily parameters. We prove consistency of the estimators of the degree parameters and homophily parameters. We establish high-dimensional central limit theorems for the proposed estimators and provide several applications of our general theory, including testing the existence of degree heterogeneity, testing sparse signals and recovering the support. Simulation studies and a real data application are conducted to illustrate the finite sample performance of the proposed method.