Network Autoregression for Incomplete Matrix-Valued Time Series
不完整矩阵值时间序列的网络自回归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：摘要明确结合矩阵时间序列自回归与行列网络结构，支持时间序列和网络方法分类。
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…
不完整矩阵值时间序列的网络自回归
- 研究问题
- 当矩阵值时间序列同时具有行列网络结构和缺失观测时，如何建模其动态关系，并估计网络系数及矩阵回归参数？
- 方法与思路
- 作者构建含行列网络、协变量及低秩截距的矩阵网络自回归模型，允许缺失依赖协变量，并采用两阶段估计及偏差修正。
- 材料陈述的贡献
- 摘要称作者分别建立自回归系数的渐近性质和回归参数误差界，研究去偏估计量性质，并用数值研究和 Yelp 数据展示方法。
- 阅读关注点
- 应核对网络权重、低秩结构和缺失机制的条件，两阶段误差如何传递，以及偏差修正适用的样本规模与渐近框架。
- 阅读边界
- 来源为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明缺失识别条件或网络系数含义，不能据此作因果传播解释。
原文摘要
We study the dynamics of matrix-valued time series with observed network structures by proposing a matrix network autoregression model with row and column networks of the subjects. We incorporate covariate information and a low rank intercept matrix. We allow incomplete observations in the matrices and the missing mechanism can be covariate dependent. To estimate the model, a two-step estimation procedure is proposed. The first step aims to estimate the network autoregression coefficients, and the second step aims to estimate the regression parameters, which are matrices themselves. Theoretically, we first separately establish the asymptotic properties of the autoregression coefficients and the error bounds of the regression parameters. Subsequently, a bias reduction procedure is proposed to reduce the asymptotic bias and the theoretical property of the debiased estimator is studied. Lastly, we illustrate the usefulness of the proposed method through a number of numerical studies and an analysis of a Yelp data set.