Correlation networks, dynamic factor models and community detection
相关网络、动态因子模型与社区检测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：摘要直接建立多变量时间序列的动态因子模型并估计载荷，社区来自相关矩阵，因此归入因子模型与时间序列。
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…
相关网络、动态因子模型与社区检测
- 研究问题
- 如何用统一统计框架解释多变量时间序列相关矩阵的块结构，并把各分量序列划分为具有相近相关特征的社区？
- 方法与思路
- 作者在动态因子模型中为载荷引入混合分布，通过主成分估计载荷，再以标准 k-means 聚类识别分量序列社区。
- 材料陈述的贡献
- 摘要将混合模型、动态因子模型和相关网络社区检测连接起来，给出误聚类率界，并以模拟和真实数据展示方法表现。
- 阅读关注点
- 应核对载荷混合分布如何产生块结构、主成分估计的可识别性，以及因子估计误差和社区分离程度如何进入误聚类率界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明模型条件和误差界形式，相关社区也不能直接解释为因果网络。
原文摘要
A dynamic factor model with a mixture distribution of the loadings is introduced and studied for multivariate, possibly high-dimensional time series. The correlation matrix of the model exhibits a block structure, reminiscent of correlation patterns for many real multivariate time series. A standard $k$-means algorithm on the loadings estimated through principal components is used to cluster component time series into communities with accompanying bounds on the misclustering rate. This is one standard method of community detection applied to correlation matrices viewed as weighted networks. This work puts a mixture model, a dynamic factor model and network community detection in one interconnected framework. Performance of the proposed methodology is illustrated on simulated and real data.