Estimation of grouped time-varying network vector autoregressive models
分组时变网络向量自回归模型的估计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。
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：摘要直接研究网络时间序列的溢出效应，并允许分组结构及系数函数发生结构突变。
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…
分组时变网络向量自回归模型的估计
- 研究问题
- 如何借助潜在分组结构估计大型网络时间序列中的异质时变惯性与溢出效应，并允许分组或系数发生结构突变？
- 方法与思路
- 作者用非参数距离矩阵进行凝聚聚类，以比率准则确定组数，再以分组后的局部线性平滑估计各组时变系数。
- 材料陈述的贡献
- 摘要称，可一致估计组数与成员归属，改善忽略分组结构的初步估计收敛率，并扩展至分组和系数的结构突变。
- 阅读关注点
- 应核对网络与时间序列的依赖条件、组间分离要求、带宽选择，以及突变位置、组数和成员变化的处理方式。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；一致性条件、收敛率及应用数值未提供，不能推断其他版本变化。
原文摘要
This paper introduces a flexible time-varying network vector autoregressive model framework for large-scale time series. A latent group structure is imposed on the heterogeneous and node-specific time-varying momentum and network spillover effects so that the number of unknown time-varying coefficients to be estimated can be reduced considerably. A classic agglomerative clustering algorithm with nonparametrically estimated distance matrix is combined with a ratio criterion to consistently estimate the latent group number and membership. A postgrouping local linear smoothing method is proposed to estimate the group-specific time-varying momentum and network effects, substantially improving the convergence rates of the preliminary estimates which ignore the latent structure. We further modify the methodology and theory to allow for structural breaks in either the group membership, group number or group-specific coefficient functions. Numerical studies including Monte-Carlo simulation and an empirical application are presented to examine the finite-sample performance of the developed model and methodology.