New Methods for Network Count Time Series
网络计数时间序列的新方法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：摘要同时涉及网络计数序列建模、节点间网络参数和明确的预测性能比较。
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
网络计数时间序列的新方法
- 研究问题
- 如何为网络上的计数时间序列建立适当模型，克服原广义网络自回归模型加性、恒定噪声设定的局限？
- 方法与思路
- 作者扩展既有计数序列模型，提出 GNARI 与 NGNAR，研究统计和渐近性质，并采用条件最小二乘及极大似然。
- 材料陈述的贡献
- 摘要称，两模型可有效估计参数，NGNAR 在负网络参数情境下预测更好，新模型也改善纽约县级疫情计数预测。
- 阅读关注点
- 应核对计数生成机制、负网络参数如何保持模型有效、估计量性质的条件，以及预测比较的划分与评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出渐近条件和预测改进幅度，优势仅涉及所述比较。
原文摘要
The original generalized network autoregressive models are poor for modelling count data as they are based on the additive and constant noise assumptions, which is usually inappropriate for count data. We introduce two new models (GNARI and NGNAR) for count network time series by adapting and extending existing count-valued time series models. We present results on the statistical and asymptotic properties of our new models and their estimates obtained by conditional least squares and maximum likelihood. We conduct two simulation studies that verify successful parameter estimation for both models and conduct a further study that shows, for negative network parameters, that our NGNAR model outperforms existing models and our other GNARI model in terms of predictive performance. We model a network time series constructed from COVID-positive counts for counties in New York State during 2020-22 and show that our new models perform considerably better than existing methods for this problem.