Community network auto-regression for high-dimensional time series
高维时间序列的社群网络自回归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。
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：摘要明确结合网络社群、高维自回归时间序列与刻画横截面依赖的潜在因子。
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
高维时间序列的社群网络自回归
- 研究问题
- 如何利用大型网络的社群结构刻画节点时间序列，使不同社群拥有异质网络效应，并处理社群之外的潜在横截面依赖？
- 方法与思路
- 作者提出社群网络向量自回归模型，结合社群内同质性与潜在因子，允许社群数量增长，并开发两步加权最小二乘估计。
- 材料陈述的贡献
- 摘要称，论文给出平稳条件、估计一致性及渐近正态性；误差具有因子结构时，两步估计可比一步估计更有效，并有模拟和真实数据展示。
- 阅读关注点
- 应核对社群信息如何获得、社群数量增长限制、因子结构与网络效应的区分，以及两步权重构造和效率比较所依赖的条件。
- 阅读边界
- 仅据所给出版社摘要，两步估计的效率优势仅有特定误差结构下的陈述；具体条件、真实数据结论及其他版本变化未说明。
原文摘要
Modeling responses on the nodes of a large-scale network is an important task that arises commonly in practice. This paper proposes a community network vector autoregressive (CNAR) model, which utilizes the network structure to characterize the dependence and intra-community homogeneity of the high-dimensional time series. The CNAR model greatly increases the flexibility and generality of the network vector autoregressive (NAR) model proposed by Zhu et al. (2017) by allowing heterogeneous network effects across different network communities. In addition, the non-community-related latent factors are included to account for unknown cross-sectional dependence. The number of network communities can diverge as the network expands, which leads to estimating a diverging number of model parameters. We obtain a set of stationary conditions and develop an efficient two-step weighted least-squares estimator. The consistency and asymptotic normality properties of the estimators are established. Theoretical results show that the two-step estimator can further improve the efficiency of one-step estimator when the error admits a factor structure. The advantages of the CNAR model are illustrated on a variety of synthetic and real datasets.