Community Network Auto-Regression for High-Dimensional Time Series
高维时间序列的社区网络自回归模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确结合网络社区依赖、向量自回归时间序列与潜在因子，分别对应所选三个方向。
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…
关注这篇论文的作者
高维时间序列的社区网络自回归模型
- 研究问题
- 如何同时刻画大型网络节点时间序列的社区内同质性、社区间网络效应差异，以及网络结构之外的横截面依赖？
- 方法与思路
- 作者提出社区网络向量自回归模型，允许社区间网络效应异质并加入潜在因子，再构造两步加权最小二乘估计。
- 材料陈述的贡献
- 摘要称，论文给出平稳条件及估计量的一致性和渐近正态性，并在因子误差结构下得到两步相对一步估计的数量级改进。
- 阅读关注点
- 核对社区划分是否已知、社区数增长的限制、网络效应与潜在因子的区分，以及所谓数量级改进对应的误差指标和条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体增长率与理论条件，亦未提供实证比较数值。
原文摘要
Modeling responses on the nodes of a large-scale network is an important task that arises commonly in practice. This paper proposes a community network vector autoregressive (CNAR) model, which utilizes the network structure to characterize the dependence and intra-community homogeneity of the high dimensional time series. The CNAR model greatly increases the flexibility and generality of the network vector autoregressive (Zhu et al, 2017, NAR) model by allowing heterogeneous network effects across different network communities. In addition, the non-community-related latent factors are included to account for unknown cross-sectional dependence. The number of network communities can diverge as the network expands, which leads to estimating a diverging number of model parameters. We obtain a set of stationary conditions and develop an efficient two-step weighted least-squares estimator. The consistency and asymptotic normality properties of the estimators are established. The theoretical results show that the two-step estimator improves the one-step estimator by an order of magnitude when the error admits a factor structure. The advantages of the CNAR model are further illustrated on a variety of synthetic and real datasets.