Nonlinear Network Autoregression
非线性网络自回归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：摘要明确研究已知网络中节点及邻居的滞后依赖与非线性时间序列模型。
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…
非线性网络自回归
- 研究问题
- 对于已知网络上的整数型或连续型时间序列，如何描述节点与邻居的非线性滞后关系，并在网络维度增长时开展推断？
- 方法与思路
- 作者用光滑链接函数构造非线性网络自回归，研究稳定性和准最大似然推断，并按参数可识别与否分别设计线性性得分检验。
- 材料陈述的贡献
- 摘要称，可识别情形的检验具有卡方极限；不可识别情形采用上确界型检验，以可行界限和 bootstrap 近似其 p 值。
- 阅读关注点
- 应核对过程稳定条件、网络维度与样本长度的增长关系、准似然设定，以及不可识别参数下上确界检验和重抽样的有效性。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明稳定性条件、维度增长限制或模拟与应用的具体结果。
原文摘要
We study general nonlinear models for time series networks of integer and continuous valued data. The vector of high dimensional responses, measured on the nodes of a known network, is regressed non-linearly on its lagged value and on lagged values of the neighboring nodes by employing a smooth link function. We study stability conditions for such multivariate process and develop quasi maximum likelihood inference when the network dimension is increasing. In addition, we study linearity score tests by treating separately the cases of identifiable and non-identifiable parameters. In the case of identifiability, the test statistic converges to a chi-square distribution. When the parameters are not-identifiable, we develop a supremum-type test whose p-values are approximated adequately by employing a feasible bound and bootstrap methodology. Simulations and data examples support further our findings.