Detecting groups in large vector autoregressions
大型向量自回归中的潜在群组识别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：摘要明确提出大型 VAR 群组模型，并分析金融机构风险指标间的组内溢出。
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…
大型向量自回归中的潜在群组识别
- 研究问题
- 在组内溢出强于组间溢出的大型向量自回归中，如何从观测样本识别潜在群组，并判断群组恢复是否一致？
- 方法与思路
- 作者提出随机区块向量自回归模型，利用估计的自回归系数矩阵之某个函数的特征向量，构造潜在群组检测算法。
- 材料陈述的贡献
- 摘要称，当横截面与时间维度充分大时，算法能一致识别群组，并应用于美国大型金融机构风险指标及推文词频面板。
- 阅读关注点
- 应核对区块结构限制、群组数量确定方式、特征向量构造，以及维度增长、组间分离与系数估计误差的要求。
- 阅读边界
- 仅据所给出版社摘要，无法确定一致识别所需的具体增长率和分离条件；风险指标的分组也不能直接解释为因果传染。
原文摘要
This work introduces the stochastic block vector autoregressive (SB-VAR) model. In this class of vector autoregressions, the time series are partitioned into latent groups such that spillover effects are stronger among series that belong to the same group than otherwise. A key question that arises in this framework is how to detect the latent groups from a sample of observations generated by the model. To this end, we propose a group detection algorithm based on the eigenvectors of a function of the estimated autoregressive matrices. We establish that the proposed algorithm consistently detects the groups when the cross-sectional and time-series dimensions are sufficiently large. The methodology is applied to study the group structure of a panel of risk measures of top financial institutions in the United States and a panel of word counts extracted from Twitter.