Structural Analysis of a Dynamic Multilayer Network via Matrix Autoregressive Models: A Case Study of International Interactions between Countries
利用矩阵自回归分析动态多层网络结构：国家间互动案例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：摘要明确联合分析动态多层关系网络，并用矩阵自回归刻画时间与跨层依赖，支持时间序列和网络方向。
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…
关注这篇论文的作者
利用矩阵自回归分析动态多层网络结构：国家间互动案例
- 研究问题
- 如何联合描述动态多层网络中关系层与结构统计量的时间依赖，并为国家间不同类型互动的后续结构变化提供可解释刻画？
- 方法与思路
- 作者将各关系层的网络结构统计量汇总为矩阵值时间序列，使用矩阵自回归同时描述跨层与跨统计量的动态联系。
- 材料陈述的贡献
- 摘要称，国际互动应用中负面言语互动与后续物质互动层结构变化联系突出，平均强度持续性最强，互惠性的跨统计量影响最广。
- 阅读关注点
- 应核对结构统计量选择、矩阵自回归参数识别与稳定性，以及动态关系的统计不确定性，区分预测关联与因果作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明控制变量、推断细节或因果识别，不能将跨层动态联系解释为因果效应。
原文摘要
Dynamic and multilayer networks have been widely studied separately, but their joint analysis remains comparatively underdeveloped. Because the relational information of a dynamic multilayer network can be represented as a tensor at each time point $t$, each layer can be summarized through a set of structural statistics, yielding a matrix-valued observation and, consequently, a matrix-valued time series. To exploit this structure, we propose the use of matrix autoregressive (MAR) models, which simultaneously characterize temporal dependence across relational layers and structural statistics. We apply this framework to the ICEWS dataset, which records international interactions among countries under four relational domains and therefore naturally defines a dynamic multilayer network. The results indicate that negative verbal interactions (\textit{Verbal-}) play a prominent role in the subsequent structural reconfiguration of the material-interaction layers, while mean strength exhibits the strongest temporal persistence and reciprocity the broadest cross-statistic influence. These findings illustrate the usefulness of MAR models for providing a parsimonious and interpretable characterization of temporal and cross-layer dependence in dynamic multilayer networks.