Community Detection in Partial Correlation Network Models
偏相关网络模型中的社区发现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：摘要明确处理大规模时间序列面板，并应用于美国实体经济活动聚类，因此选择宏观时间序列与宏观面板。
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…
偏相关网络模型中的社区发现
- 研究问题
- 对于由大量时间序列组成的面板，如何识别相关性在组内高于组间的潜在社区，并用于理解美国实体经济活动的聚类？
- 方法与思路
- 作者构建具有潜在社区结构的偏相关网络模型，并提出利用样本协方差矩阵特征向量识别社区的算法，研究其统计性质。
- 材料陈述的贡献
- 摘要称提出适用于大规模时间序列面板的社区检测程序，建立其一致性，并将该方法用于研究美国实体经济活动的聚类。
- 阅读关注点
- 阅读时应核对偏相关网络与协方差特征向量之间的联系、社区数量的确定方式，以及一致性成立的条件和时间依赖处理。
- 阅读边界
- 摘要未说明网络参数化、社区数选择、时间序列依赖条件与具体实证结果；仅凭一致性陈述无法判断有限样本识别表现。
原文摘要
We introduce a class of partial correlation network models with a community structure for large panels of time series. In the model, the series are partitioned into latent groups such that correlation is higher within groups than between them. We then propose an algorithm that allows one to detect the communities using the eigenvectors of the sample covariance matrix. We study the properties of the procedure and establish its consistency. The methodology is used to study real activity clustering in the United States.