Bayesian Generalized Network Autoregressive Model with Structured Shrinkage and Persistence Priors
具有结构化收缩与持续性先验的贝叶斯广义网络自回归模型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：摘要研究网络约束下的多变量自回归、贝叶斯动态推断及预测，直接对应时间序列和预测方向。
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
具有结构化收缩与持续性先验的贝叶斯广义网络自回归模型
- 研究问题
- 对于节点位于已知网络上的多变量时间序列，如何在固定且过度设定的滞后结构下控制复杂度，并量化动态参数及预测不确定性？
- 方法与思路
- 作者为自身滞后与网络滞后设置 Minnesota 类收缩及持续性先验，通过层级先验共享节点信息，并以 Gibbs 抽样开展后验推断。
- 材料陈述的贡献
- 摘要称，模拟中固定结构的 BGNAR 预测接近 BIC 选阶 GNAR，并优于所比较的无约束 BVAR；风速应用同时提供参数及预测后验。
- 阅读关注点
- 应核对先验随时间滞后和邻域阶数变化的设定、节点异质性与抽样收敛，并检查预测比较和不确定性量化对先验的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。性能比较限于作者考察的设定，摘要未说明预测区间校准或网络错设下的表现。
原文摘要
We propose a Bayesian generalized network autoregressive (BGNAR) model for multivariate time series whose component series are associated with the nodes of a known network. The proposed framework combines the parsimonious network structure of the generalized network autoregressive (GNAR) model with structured shrinkage and persistence priors adapted from Bayesian vector autoregressive (BVAR) modeling. We adapt Minnesota-type shrinkage to both own-lag and network-lag coefficients, with prior variances decreasing over temporal lags and, for network effects, neighborhood orders. A hierarchical prior on the own-lag coefficients allows information to be shared across nodes while retaining node-specific heterogeneity. We further adapt the sum-of-coefficients and dummy-initial-observation priors to the GNAR parameterization. Posterior inference is performed using a Gibbs sampler. Simulation studies show that BGNAR can use the same deliberately over-specified temporal and neighborhood structure across datasets without dataset-specific BIC order selection, while maintaining forecasting accuracy comparable to BIC-selected GNAR and outperforming the unrestricted BVAR benchmark in the settings considered. The structured prior regularizes weakly supported coefficients toward zero within this fixed model. Posterior distributions for the dynamic coefficients and posterior predictive distributions for future observations provide direct quantification of parameter and predictive uncertainty. An application to a wind-speed network demonstrates that BGNAR achieves point-forecast performance comparable to GNAR while additionally providing posterior inference on own-lag and network-lag effects and posterior predictive uncertainty.