Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2010.13604

帮助 | 高级搜索

数学 > 统计理论

arXiv:2010.13604 (math)
[提交于 2020年10月26日 (v1) ,最后修订 2024年9月28日 (此版本, v3)]

标题: 一种用于网络分析的稀疏贝塔回归模型

标题: A Sparse Beta Regression Model for Network Analysis

Authors:Stefan Stein, Rui Feng, Chenlei Leng
摘要: 对于网络数据的统计分析,$\beta$模型因其在结合节点异质性和理论可处理性方面的灵活性而成为一种有用的工具。 为了推广$\beta$模型,本文提出了稀疏$\beta$回归模型(S$\beta$RM),该模型结合了最近在建模相似性和稀疏性方面的两个研究主题。 具体而言,我们采用差异异质性,仅对重要节点分配权重,并提出带有$\ell_1$惩罚的惩罚似然函数用于参数估计。 虽然我们的估计方法与逻辑回归的 LASSO 方法密切相关,但我们发展了新的理论,强调使用我们的模型来处理通常在实践中看到的稀疏网络的参数范围。 更有趣的是,对相似性参数的推断不需要通常在 LASSO 类似估计中使用的去偏处理。 我们提供了广泛的模拟和数据分析来说明该模型的使用。 作为我们模型的一个特例,我们通过引入协变量扩展了 Erdős-Rényi 模型,并为稀疏网络开发了相关的统计推断,这可能具有独立的兴趣。
摘要: For statistical analysis of network data, the $\beta$-model has emerged as a useful tool, thanks to its flexibility in incorporating nodewise heterogeneity and theoretical tractability. To generalize the $\beta$-model, this paper proposes the Sparse $\beta$-Regression Model (S$\beta$RM) that unites two research themes developed recently in modelling homophily and sparsity. In particular, we employ differential heterogeneity that assigns weights only to important nodes and propose penalized likelihood with an $\ell_1$ penalty for parameter estimation. While our estimation method is closely related to the LASSO method for logistic regression, we develop new theory emphasizing the use of our model for dealing with a parameter regime that can handle sparse networks usually seen in practice. More interestingly, the resulting inference on the homophily parameter demands no debiasing normally employed in LASSO type estimation. We provide extensive simulation and data analysis to illustrate the use of the model. As a special case of our model, we extend the Erd\H{o}s-R\'{e}nyi model by including covariates and develop the associated statistical inference for sparse networks, which may be of independent interest.
评论: 77页,8图,6表
主题: 统计理论 (math.ST) ; 应用 (stat.AP); 方法论 (stat.ME)
引用方式: arXiv:2010.13604 [math.ST]
  (或者 arXiv:2010.13604v3 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.2010.13604
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Chenlei Leng [查看电子邮件]
[v1] 星期一, 2020 年 10 月 26 日 14:19:08 UTC (1,829 KB)
[v2] 星期日, 2022 年 3 月 27 日 16:59:05 UTC (1,827 KB)
[v3] 星期六, 2024 年 9 月 28 日 15:01:36 UTC (3,096 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2020-10
切换浏览方式为:
math
stat
stat.AP
stat.ME
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号