High-Dimensional Multivariate VAR Estimation with Spatio-Temporal Structure
具有时空结构的高维多元 VAR 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。
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：摘要以高维向量自回归、转移矩阵与时空动态依赖为核心，属于时间序列与 VAR 方向；未涉及因果识别、面板个体异质性或金融资产定价等主题。
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
具有时空结构的高维多元 VAR 估计
- 研究问题
- 摘要称，高维向量自回归模型可刻画多元时空系统的动态依赖，但当多个变量在众多空间位置上被观测时，无约束估计不可行；因此问题是如何在估计中显式引入空间信息。
- 方法与思路
- 作者提出结构化估计：将每个分块转移矩阵分解为跨变量依赖系数与空间转移矩阵，用预先给定的空间图约束空间转移矩阵，构造加权 ℓ1 正则最小二乘，权重反映空间邻近或拓扑相似性；因目标函数双凸，采用 ADMM 实现的交替凸搜索算法。
- 材料陈述的贡献
- 摘要称，在稳定性与受限特征值型条件下，作者建立了次梯度意义下收敛到分块稳定点，并给出两部分模型的高概率估计误差界；模拟显示能恢复稀疏转移结构，在支撑恢复与估计精度上优于既有两步 ℓ1 正则方法；北美气候数据应用得到可解释的变量依赖网络与区域空间交互模式。
- 阅读关注点
- 应核对空间图如何预先设定、权重构造与调参方式、稳定性与受限特征值条件的具体形式、误差界依赖的维数与稀疏度、ADMM 收敛保证的适用范围，以及模拟对比设置与气候数据应用中的变量、区域划分和识别解释是否充分。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否现实、误差界是否紧、模拟与实证的具体数值、与对比方法的公平性，以及结论对图设定错误的稳健性；摘要未说明数据来源细节与代码可得性。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional vector autoregressive (VAR) models provide a flexible framework for characterizing dynamic dependence in multivariate spatio-temporal systems, but their unrestricted estimation becomes infeasible when multiple variables are observed over many spatial locations. This paper develops a structured estimation procedure for high-dimensional multivariate VAR processes that explicitly incorporates spatial information. We decompose each block transition matrix into a cross-variable dependence coefficient and a spatial transition matrix, and constrain the spatial transition matrices through a pre-specified spatial graph. The resulting estimator is formulated as a weighted $\ell_1$-regularized least-squares problem, where the weights encode spatial proximity or topological similarity and induce stronger shrinkage on spatially implausible interactions. Since the objective function is bi-convex, we estimate the cross-variable dependence matrix and the spatial transition matrices through an alternating convex-search algorithm implemented with ADMM. Under stability and restricted-eigenvalue-type conditions for high-dimensional VAR processes, we establish convergence to a blockwise stationary point in the subgradient sense and derive high-probability estimation error bounds for both components of the model. Simulation studies demonstrate that the proposed estimator accurately recovers sparse transition structures and improves over existing two-step $\ell_1$-regularized methods in support recovery and estimation accuracy. An application to North American climate data illustrates that the method recovers interpretable variable-dependence networks and spatial interaction patterns across different climate regions.