Matrix-valued Network Autoregression Model with Latent Group Structure
具有潜在组结构的矩阵值网络自回归模型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：摘要直接研究矩阵值时间序列的网络自回归与主体分组，对应时间序列和网络建模。
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…
具有潜在组结构的矩阵值网络自回归模型
- 研究问题
- 面对高维矩阵值时间序列，如何同时建模网络影响和主体异质性，并从数据中估计行列分组、组内共享参数及组数？
- 方法与思路
- 作者提出组矩阵网络自回归模型，以潜在行列组标签压缩参数维度，设计迭代估计算法，并用信息准则选择组数。
- 材料陈述的贡献
- 摘要称，组数正确或可能高估时，组参数及成员标签可一致估计，信息准则可一致选择组数，并以 Yelp 数据展示方法。
- 阅读关注点
- 应核对行列网络的定义、动态稳定性与组间可分性条件，以及组数高估下的一致性含义、迭代算法和信息准则的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出一致性条件或应用数值，网络自回归关系本身不确立因果影响。
原文摘要
Matrix-valued time series data are frequently observed in a broad range of areas and have attracted great attention recently. In this work, we model network effects for high dimensional matrix-valued time series data in a matrix autoregression framework. To characterize the potential heterogeneity of the subjects and handle the high dimensionality simultaneously, we assume that each subject has a latent group label, which enables us to cluster the subject into the corresponding row and column groups. We propose a group matrix network autoregression (GMNAR) model, which assumes that the subjects in the same group share the same set of model parameters. To estimate the model, we develop an iterative algorithm. Theoretically, we show that the group-wise parameters and group memberships can be consistently estimated when the group numbers are correctly or possibly over-specified. An information criterion for group number estimation is also provided to consistently select the group numbers. Lastly, we implement the method on a Yelp dataset to illustrate the usefulness of the method.