Simultaneous Estimation and Group Identification for Network Vector Autoregressive Model with Heterogeneous Nodes
异质节点网络向量自回归模型的联合估计与分组识别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。
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：摘要明确建模社会或金融网络节点间的组别网络效应，并采用向量自回归描述动态模式，对应网络与时间序列。
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…
关注这篇论文的作者
异质节点网络向量自回归模型的联合估计与分组识别
- 研究问题
- 社会或金融网络节点具有不同动态行为时，如何用潜在分组同时估计网络自回归参数、节点归属与真实组数？
- 方法与思路
- 作者构建含组别网络效应与时不变固定效应的网络向量自回归模型，通过最小二乘型目标联合估计，并提出组数选择准则。
- 材料陈述的贡献
- 摘要称组数设得过大时仍可保持参数和成员估计一致；组数正确时可进行渐近正态推断，且选择准则能一致识别组数。
- 阅读关注点
- 应核对网络结构与时间依赖条件、潜在组的可区分性、组数过设下成员一致性的含义，以及组数选择后的推断要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。摘要未列出理论条件或实例细节，网络动态系数不能直接解释为因果影响。
原文摘要
Individuals or companies in a large social or financial network often display rather heterogeneous behaviors for various reasons. In this work, we propose a network vector autoregressive model with a latent group structure to model heterogeneous dynamic patterns observed from network nodes, for which group-wise network effects and timeinvariant fixed-effects can be naturally incorporated. In our framework, the model parameters and network node memberships can be simultaneously estimated by minimizing a least-squares type objective function. In particular, our theoretical investigation allows the number of latent groups G to be over-specified when achieving the estimation consistency of the model parameters and group memberships, which significantly improves the robustness of the proposed approach. When G is correctly specified, valid statistical inference can be made for model parameters based on the asymptotic normality of the estimators. A data-driven criterion is developed to consistently identify the true group number for practical use. Extensive simulation studies and two real data examples are used to demonstrate the effectiveness of the proposed methodology.