Estimating Time-Varying Networks for High-Dimensional Time Series
高维时间序列的时变网络估计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。
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：摘要明确采用高维时变 VAR、局部平稳时间序列和共同因子调整，并应用于宏观数据。
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…
高维时间序列的时变网络估计
- 研究问题
- 在高维局部平稳时间序列中，如何估计随时间变化的格兰杰联系和偏相关网络，并处理共同因子导致的强相关及稀疏性失效？
- 方法与思路
- 作者在大型 VAR 框架下，用局部线性加权组 LASSO 估计转移矩阵，用时变 CLIME 估计误差精度矩阵，并扩展至因子调整网络。
- 材料陈述的贡献
- 摘要称，方法可联合估计时变矩阵并识别网络边，在一定条件下具有一致性和预言性质，并提供模拟与美国宏观数据应用。
- 阅读关注点
- 应核对局部平稳性、平滑度、稀疏性与信号强度条件，带宽和惩罚参数选择，以及因子估计误差如何进入网络恢复结论。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整条件或模拟数值，格兰杰联系也不能直接解释为结构因果效应。
原文摘要
We explore time-varying networks for high-dimensional locally stationary time series, using the large VAR model framework with both the transition and (error) precision matrices evolving smoothly over time. Two types of time-varying graphs are investigated: one containing directed edges of Granger causality linkages, and the other containing undirected edges of partial correlation linkages. Under the sparse structural assumption, we propose a penalised local linear method with time-varying weighted group LASSO to jointly estimate the transition matrices and identify their significant entries, and a time-varying CLIME method to estimate the precision matrices. The estimated transition and precision matrices are then used to determine the time-varying network structures. Under some mild conditions, we derive the theoretical properties of the proposed estimates including the consistency and oracle properties. In addition, we extend the methodology and theory to cover highly-correlated large-scale time series, for which the sparsity assumption becomes invalid and we allow for common factors before estimating the factor-adjusted time-varying networks. We provide extensive simulation studies and an empirical application to a large U.S. macroeconomic dataset to illustrate the finite-sample performance of our methods.