Time Series Approach to the Evolution of Networks: Prediction and Estimation
网络演化的时间序列方法：预测与估计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：摘要明确研究边权相互作用、多变量时间序列动态及欧盟贸易网络的未来值预测，对应网络、时间序列与预测方法。
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
网络演化的时间序列方法：预测与估计
- 研究问题
- 对于节点规模固定、观测期较长的加权网络，如何刻画边权的非负、归零及相互影响，并估计其动态过程、预测未来变化？
- 方法与思路
- 作者把各条边的权重视为多变量时间序列的坐标，将自回归、非负约束、边权为零的正概率和边间同伴效应纳入动态模型。
- 材料陈述的贡献
- 摘要称，作者给出平稳性与爆炸性的判别条件以及估计、预测方法，并报告欧盟月度贸易应用中加入同伴效应带来预测改善。
- 阅读关注点
- 核对零权重机制、边间作用的参数化、平稳性条件与估计方法，尤其关注贸易预测的评价窗口、比较基准及网络规模固定的限制。
- 阅读边界
- 仅据出版社摘要，模型以观测期相对网络规模较大为背景；对节点数增长的适用性、预测改善幅度及其评价方式，摘要未说明。
原文摘要
The article analyzes nonnegative multivariate time series which we interpret as weighted networks. We introduce a model where each coordinate of the time series represents a given edge across time. The number of time periods is treated as large compared to the size of the network. The model specifies the temporal evolution of a weighted network that combines classical autoregression with nonnegativity, a positive probability of vanishing, and peer effect interactions between weights assigned to edges in the process. The main results provide criteria for stationarity versus explosiveness of the network evolution process and techniques for estimation of the parameters of the model and for prediction of its future values. Natural applications arise in networks of fixed number of agents, such as countries, large corporations, or small social communities. The article provides an empirical implementation of the approach to monthly trade data in European Union. Overall, the results confirm that incorporating nonnegativity of dependent variables into the model matters and incorporating peer effects leads to the improved prediction power.