Network vector autoregression
网络向量自回归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：摘要明确将社交网络邻接关系纳入节点响应的向量自回归动态模型。
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…
网络向量自回归
- 研究问题
- 如何在大型社交网络中描述各节点连续响应的时间动态，同时纳入自身历史、邻居响应和节点协变量所包含的信息？
- 方法与思路
- 作者提出网络向量自回归模型，将节点响应表示为自身前期值、相连邻居均值及节点协变量的线性组合，并采用最小二乘型估计。
- 材料陈述的贡献
- 摘要称，文章给出模型严格平稳的条件，研究最小二乘型估计的渐近性质，并通过模拟与实证例子展示应用潜力。
- 阅读关注点
- 应核对邻居均值的时间索引、网络权重定义、平稳条件及网络与时间维度的渐近设置，并检查误差独立性的具体范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；邻居项时间索引、渐近条件和实证细节未说明，网络效应系数不能直接解释为因果效应。
原文摘要
We consider here a large-scale social network with a continuous response observed for each node at equally spaced time points. The responses from different nodes constitute an ultra-high dimensional vector, whose time series dynamic is to be investigated. In addition, the network structure is also taken into consideration, for which we propose a network vector autoregressive (NAR) model. The NAR model assumes each node’s response at a given time point as a linear combination of (a) its previous value, (b) the average of its connected neighbors, (c) a set of node-specific covariates and (d) an independent noise. The corresponding coefficients are referred to as the momentum effect, the network effect and the nodal effect, respectively. Conditions for strict stationarity of the NAR models are obtained. In order to estimate the NAR model, an ordinary least squares type estimator is developed, and its asymptotic properties are investigated. We further illustrate the usefulness of the NAR model through a number of interesting potential applications. Simulation studies and an empirical example are presented.