Time-varying Parameter Tensor Vector Autoregression
时变参数张量向量自回归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。
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：摘要虽采用 VAR，但研究应用是脑成像连接，未提供宏观冲击或宏观领域的直接依据。
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
时变参数张量向量自回归
- 研究问题
- 如何在高维时变 VAR 中减少参数和计算负担，同时选择哪些张量分量随时间变化及分解秩，并解释动态连接关系？
- 方法与思路
- 作者以三阶张量的 CP 分解表示时变系数，构造三类配置，比较条件与边际 DIC，并用拐点检测选择分解秩。
- 材料陈述的贡献
- 摘要称特定条件 DIC 在模拟中更可靠；脑成像应用相较标准 VAR 减少逾九成参数，并发现随叙事进程变化的格兰杰连接。
- 阅读关注点
- 应核对三类时变配置的含义、分解识别与秩选择、DIC 的具体定义，以及格兰杰连接如何解释为预测方向关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实。摘要未说明理论保证与不确定性处理，参数节约和脑连接发现限于所述应用。
原文摘要
Time-varying parameter vector autoregression provides a flexible framework to capture structural changes within time series. However, when applied to high-dimensional data, this model encounters challenges of over-parametrization and computational burden. We address these challenges by building on recently proposed Tensor VAR models to represent the time-varying coefficient matrix as a third-order tensor with CANDECOMP/PARAFAC (CP) decomposition, yielding three model configurations where different sets of components are specified as time-varying, each offering distinct interpretations. To select the model configuration and the decomposition rank, we evaluate multiple variants of Deviance Information Criterion (DIC) corresponding to the conditional and marginal DICs. Our simulation demonstrates that a specific conditional DIC variant provides more reliable results and accurately identifies true model configurations. We improve the accuracy of rank selection by applying knee point detection to the DICs, rather than defaulting to the minimum DIC value. Upon analyzing functional magnetic resonance imaging data from story reading tasks, our selected model configurations suggest time-varying dynamics while reducing the number of parameters by over 90% relative to standard VARs. Granger causality analysis reveals directional brain connectivity patterns that align with narrative progression, with various regions functioning as signal emitters or receivers at different time points.