Density-valued VAR Models with Latent Factors
含潜在因子的密度值向量自回归模型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：摘要将多地区密度时间序列建模为含潜在因子的 VAR，并分解共同与特异性动态。
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
含潜在因子的密度值向量自回归模型
- 研究问题
- 如何描述多个地区概率密度随时间的共同变化和定向预测联系，并区分共同因子造成的联动与地区间特异性动态？
- 方法与思路
- 作者以 B 样条混合估计密度，将权重经广义 logit 变换映射到欧氏空间，再用含潜在因子的跨地区 VAR 建模和检验。
- 材料陈述的贡献
- 摘要称，增加因子主要减少共同波动引起的伪边；巴西 Ct 分布应用的网络较弱，但排除前六个月且使用弱先验后更明显。
- 阅读关注点
- 应核对密度估计误差的传递、因子数选择、特异性 VAR 的边检验，以及样本截取和密度先验如何影响网络结果。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要中的定向联系是预测关系，其样本和先验敏感性限制因果解读。
原文摘要
We propose a density-valued vector autoregressive model with latent factors for multivariate time series of density functions. Motivated by weekly regional distributions of SARS-CoV-2 cycle threshold (Ct) values in Brazil, we study their distributional dynamics across regions. The Ct value is the number of amplification cycles required for the viral signal to cross a detection threshold (lower Ct values correspond to higher viral load). We estimate each regional density by a B-spline mixture, mapping the mixture weights to a Euclidean space by a generalized logit transform equipped with an isometric inner product, and model the transformed series by a cross-regional VAR with latent factors. This decomposition allows for the separation between strong common movements and directed idiosyncratic dynamics. Directed edges are identified from the idiosyncratic VAR component using one-sided tests with Benjamini--Yekutieli false discovery rate control. Simulations show that increasing the number of estimated factors does not mechanically eliminate genuine idiosyncratic dependence; rather, it mainly removes spuriously detected edges driven by common factor movements. In the real-world data application, the full sample yields only a weak directed network, whereas a substantial network emerges once the first six months are excluded and the density prior is kept weak. The estimated links suggest directed predictive relations from the northern region toward southeastern metropolitan areas.