Inference for Network Count Time Series with the R Package PNAR
使用 PNAR R 包进行网络计数时间序列推断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：摘要研究通用网络计数时间序列并应用于流感病例，未明确经济网络干扰或宏观时间序列主题。
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…
使用 PNAR R 包进行网络计数时间序列推断
- 研究问题
- 如何为网络计数时间序列提供可计算的非线性建模与推断工具，处理截距漂移、状态切换及线性检验中的不可识别参数？
- 方法与思路
- 作者开发 PNAR R 包，提供计数网络自回归估计和快速线性检验算法，并用 copula-Poisson 算法模拟多变量网络计数序列。
- 材料陈述的贡献
- 摘要所述贡献是将多类线性与非线性网络计数模型、复杂情形下的线性检验和模拟工具整合，并展示德国每周流感病例应用。
- 阅读关注点
- 应核对网络权重与计数依赖结构、非线性模型设定、不可识别参数下的检验校准，以及模拟算法和软件计算表现。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；估计检验的具体条件、性能数值及流感应用结论，摘要未说明。
原文摘要
We introduce a new R package useful for inference about network count time series. Such data are frequently encountered in statistics and they are usually treated as multivariate time series. Their statistical analysis is based on linear or log linear models. Nonlinear models, which have been applied successfully in several research areas, have been neglected from such applications mainly because of their computational complexity. We provide R users the flexibility to fit and study nonlinear network count time series models which include either a drift in the intercept or a regime switching mechanism. We develop several computational tools including estimation of various count Network Autoregressive models and fast computational algorithms for testing linearity in standard cases and when non-identifiable parameters hamper the analysis. Finally, we introduce a copula Poisson algorithm for simulating multivariate network count time series. We illustrate the methodology by modeling weekly number of influenza cases in Germany.