Two-way Homogeneity Pursuit for Quantile Network Vector Autoregression
分位数网络向量自回归中的双向同质性分组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：摘要明确结合有向网络互动、分位数建模与时间序列自回归，分别对应三个所选方向。
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…
分位数网络向量自回归中的双向同质性分组
- 研究问题
- 面对网络时间序列中的节点异质性和方向不对称互动，如何同时刻画不同分位数下的动态关系，并识别节点的潜在分组？
- 方法与思路
- 作者提出双向分组网络分位数自回归模型，为每个节点设置两类潜在组别，同时估计分组和参数，并用分位数信息准则选择组数。
- 材料陈述的贡献
- 摘要称，即使组数被高估，分组与参数仍具有一致性；组数正确时参数渐近正态，所提出信息准则还能一致选择组数。
- 阅读关注点
- 应核对两类组别各自对应的互动方向、网络和时间依赖条件，以及组数高估时的一致性含义和组数选择后的推断适用范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；理论所需的网络规模、时间长度和分组可分离条件未说明，微博应用也不能直接解释为因果网络效应。
原文摘要
We propose a two-way grouped network quantile (TGNQ) autoregression model for time series data observed on networks with substantial heterogeneity and complex directional interactions. Motivated by prior studies on network effects in directed networks, our model assigns each node two latent group memberships to flexibly capture asymmetric and heterogeneous interactions among users. These memberships, along with model parameters, can be consistently estimated using the proposed estimation procedure. As a result, the model performs node clustering and parameter estimation simultaneously, striking a balance between model flexibility and interpretability. We establish theoretical guarantees for the proposed method, showing that both group memberships and parameter estimators are consistent even when the number of groups is over-specified. When the group numbers are correctly specified, the parameter estimators are asymptotically normal, enabling valid statistical inference. In addition, we develop a quantile information criterion for the consistent selection of the number of groups. Simulation studies demonstrate strong finite-sample performance, and an application to Sina Weibo data illustrates the model’s ability to uncover behavioral dynamics and user interaction patterns.