Reduced-Rank Network Autoregression with Grouped Edge Effects
具有分组边效应的降秩网络自回归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：摘要直接研究网络传导、多变量自回归及美国行业数据预测，对应网络、时间序列和预测方向。
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
具有分组边效应的降秩网络自回归
- 研究问题
- 如何在网络多变量时间序列中，区分不同边组的传导强度与跨变量动态，并对网络相关性和边组同质性进行推断？
- 方法与思路
- 作者将预先指定的边组效应与低秩转移结构结合，采用凸低秩初始化和适应网络拓扑、区块特征的缩放梯度下降算法。
- 材料陈述的贡献
- 摘要称建立局部线性收敛、非渐近误差界及渐近正态性；美国行业应用显示边组传导差异，并报告相对基准的预测改善。
- 阅读关注点
- 应核对边组划分和低秩结构的识别条件、初始化及收敛范围、网络系数归一化方式，以及预测比较的样本划分和基准设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体正则条件和预测改善幅度，预测传导也不能直接解释为因果效应。
原文摘要
We propose the Edge-Grouped Reduced-Rank Network Autoregressive model (Edge-Grouped RRNAR) for multivariate time series observed over a network. The model allows transmission effects to vary across prespecified and economically interpretable groups of edges, while using a low-rank structure to capture cross-variable dynamics. This structure separates where network transmission occurs from which variables transmit and respond. We develop a topology-aware and block-specific scaled gradient descent algorithm with a convex low-rank initialization, and establish its local linear convergence and non-asymptotic estimation rates. We further derive asymptotic normality for the estimated transition matrix and normalized grouped network coefficients, enabling Wald tests for network relevance and edge-group homogeneity. Simulations demonstrate the finite-sample performance of the proposed estimation and inference procedures. An application to quarterly U.S. industry data linked by the production network reveals distinct predictive transmission intensities across economically defined edge groups, identifies interpretable real-activity and price-cost channels, and improves forecasting relative to standard network and matrix autoregressive models.