Reduce-Rank Matrix Integer-Valued Autoregressive Model
降秩矩阵整数值自回归模型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：摘要明确提出整数值时间序列自回归模型，并比较预测准确性，直接对应时间序列建模与预测方法。
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
降秩矩阵整数值自回归模型
- 研究问题
- 高维矩阵型计数时间序列中，如何保留行列关联并减少参数冗余，使整数值自回归模型更易估计和预测？
- 方法与思路
- 作者对矩阵整数值自回归的系数矩阵施加低秩约束，提出迭代条件最小二乘估计，并分析其渐近性质。
- 材料陈述的贡献
- 摘要称在低秩数据结构下，新模型的参数估计与预测优于两个基准；犯罪数据应用展示了时空结构信息。
- 阅读关注点
- 应核对整数值过程的生成机制、秩如何选择、参数可识别性、迭代算法的收敛，以及预测比较是否采用样本外评价。
- 阅读边界
- 这是arXiv预印本，同行评审和期刊接收未获确认；摘要未给出理论条件与数值结果，比较优势限于所述低秩情境。
原文摘要
Integer-valued time series are widely present in many fields, such as finance, economics, disease transmission, and traffic flow. With data dimensions surging, the traditional multivariate generalized integer autoregressive (MGINAR) model faces parameter overload, poor interpretability, and structural information loss. Matrix integer-valued autoregression (MINAR) model captures row-column cross-correlations and reduces the number of parameters to be estimated. However, further growth in dimensionality causes data redundancy, which degrades the MINAR model's performance and increases the number of parameters. To solve the limitations of the MINAR model described above, this paper proposes the reduced-rank matrix integer-valued autoregression (RRMINAR) model. Reducing rank is achieved by adding low-rank constraints to the coefficient matrices in the MINAR model, leading to RRMINAR reducing parameter quantity while incorporating matrix structure information. We develop an iterative conditional least squares estimation and analyze its asymptotic properties. Simulation results demonstrate that the proposed RRMINAR model exhibits more robust parameter estimation and higher prediction accuracy than MGINAR and MINAR models when the data structure is low-rank. Empirical analysis using criminal data validates the proposed RRMINAR model's effectiveness and uncovers structural temporal-spatial information in criminal behavior.