Time-Varying Model Averaging of Multi-layer Network Vector Autoregressions
多层网络向量自回归的时变模型平均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：摘要直接研究时变网络 VAR、局部平稳时间序列与 CPI 通胀预测，分别对应时间序列、VAR 方法及预测方向。
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
多层网络向量自回归的时变模型平均
- 研究问题
- 当大规模动态系统通过多个网络渠道相互作用时，如何随时间组合候选网络 VAR 模型，并构建局部平稳序列的预测区间？
- 方法与思路
- 作者用多个邻接矩阵描述网络溢出，提出惩罚式时变模型平均以估计组合权重，并扩展共形预测来构造预测带。
- 材料陈述的贡献
- 摘要称在正则条件下获得样本内拟合和样本外预测的渐近最优性及收敛率，并以模拟和 CPI 通胀预测展示方法表现。
- 阅读关注点
- 应核对局部平稳、候选模型数量增长及权重平滑条件，检查预测带的覆盖定义，以及通胀预测中的网络信息与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出正则条件、覆盖保证或预测收益，不能据此保证普遍最优。
原文摘要
In this paper, we introduce a flexible time-varying multi-layer network vector autoregression (VAR) model framework for large-scale time series, allowing agents in dynamic systems to interact through multiple channels and incorporating multiple adjacency matrices to capture network spillover effects. We propose a penalized model averaging method to determine a time-varying optimal combination of multi-layer network VAR candidate models whose number may be divergent. Under some regularity conditions, the asymptotic properties such as asymptotic optimality and convergence rates of the proposed time-varying weight estimation are derived in the contexts of both the in-sample fitting and out-of-sample prediction. In addition, we extend the conformal prediction method to construct prediction bands for locally stationary time series. Monte-Carlo simulation studies and an empirical application to forecast CPI inflation by combining multiple network information are given to illustrate reliable finite-sample estimation and predictive performance of the developed methodology.