Factor Network Autoregressions
因子网络自回归模型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：摘要明确结合时间序列自回归、网络因子提取及跨国 GDP 增长预测。
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…
因子网络自回归模型
- 研究问题
- 如何把经济主体间多种网络联系压缩为少量网络因子，并用于描述高维时间序列中的相互依赖和预测 GDP 增长？
- 方法与思路
- 作者提出因子网络自回归模型，用基于张量的主成分方法提取网络矩阵，并结合另一种降维技术估计动态关系。
- 材料陈述的贡献
- 摘要称在网络层数、节点数和时间长度共同增长时建立一致性与渐近正态性，并展示跨国 GDP 网络效应和预测表现。
- 阅读关注点
- 应核对网络因子的定义与识别、两种降维步骤、各维度增长条件，以及预测比较的基准、窗口和样本外评估。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整渐近条件、预测改进幅度或网络效应的因果含义。
原文摘要
We propose a factor network autoregressive (FNAR) model for time series with complex network structures. The coefficients of the model reflect many different types of connections between economic agents ("multilayer network"), which are summarized into a smaller number of network matrices ("network factors") through a novel tensor-based principal component approach. We provide consistency and asymptotic normality results for the estimation of the factors, their loadings, and the coefficients of the FNAR, as the number of layers, nodes and time points diverges to infinity. Our approach combines two different dimension-reduction techniques and can be applied to high-dimensional datasets. Simulation results show the goodness of our estimators in finite samples. In an empirical application, we use the FNAR to investigate the cross-country interdependence of GDP growth rates based on a variety of international trade and financial linkages. The model provides a rich characterization of macroeconomic network effects as well as good forecasts of GDP growth rates.