Robust estimation for dynamic spatial autoregression models with nearly optimal rates
具有近最优收敛率的动态空间自回归稳健估计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：摘要明确涉及非对称网络效应、动态自回归结构及中国股市金融传染。
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…
具有近最优收敛率的动态空间自回归稳健估计
- 研究问题
- 面对重尾数据，如何稳健估计同时刻画时间趋势与非对称网络效应的动态空间自回归模型，并识别稀疏网络关联？
- 方法与思路
- 作者提出两类动态空间自回归模型，用截断 Yule–Walker 方法估计，并结合 Dantzig 选择器处理受约束的稀疏网络效应。
- 材料陈述的贡献
- 摘要称在空间权重矩阵满足一定条件时推导估计量的极小极大最优性，并以中国股市传染和直播热度动态展示应用。
- 阅读关注点
- 应核对两类模型的区别、截断阈值与重尾条件，以及权重矩阵限制、稀疏恢复要求和最优性所对应的参数空间。
- 阅读边界
- 所给出版社摘要未说明尾部矩条件、最优收敛率或权重矩阵限制，金融传染应用也不能仅据摘要解释为已识别的因果传播。
原文摘要
Spatial autoregression has been extensively studied in various applications, yet its robust estimation methods have received limited attention. In this work, we introduce two dynamic spatial autoregression (DSAR) models aimed at capturing temporal trends and depicting the asymmetric network effects of the units. For both DSAR models, we propose a truncated Yule–Walker estimation method, which is tailored to achieve robust estimation in the presence of heavy-tailed data. Additionally, we extend this robust estimation procedure to a constrained estimation framework using the Dantzig selector, enabling the identification of sparse network effects observed in real-world applications. Theoretically, the minimax optimality of proposed estimators is derived under certain conditions on the weighting matrix. Empirical studies, including an analysis of financial contagion in the Chinese stock market and the dynamics of live streaming popularity, demonstrate the practical efficacy of our methods.