从聚合关系数据恢复未观测网络链接:关于贝叶斯潜在表面建模与惩罚性回归的讨论
计量经济学
2025-04-17 v2 应用统计
统计方法学
摘要
准确的网络数据在经济学、社会学和计算机科学等领域至关重要。聚合关系数据(ARD)提供了一种使用部分数据捕获网络结构的方法。本文比较了从ARD中恢复网络链接的两种主要框架:贝叶斯潜在表面建模(BLSM)和频率主义惩罚性回归(FPR)。通过仿真研究和实际应用案例,我们评估了它们的理论属性、计算效率以及在金融风险评估和流行病学等领域的实际效用。关键发现强调了特征设计的重要性、隐私考量以及混合建模方法在提高可扩展性和鲁棒性方面的作用。
引用
@article{arxiv.2501.10675,
title = {Recovering Unobserved Network Links from Aggregated Relational Data: Discussions on Bayesian Latent Surface Modeling and Penalized Regression},
author = {Yen-hsuan Tseng},
journal= {arXiv preprint arXiv:2501.10675},
year = {2025}
}
备注
This version was an early preprint of a manuscript currently under peer review and will be revised substantially. It has been withdrawn to avoid confusion during the review process