A Random Graph-based Autoregressive Model for Networked Time Series
基于随机图的网络时间序列自回归模型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：摘要围绕网络邻居影响、同质性与网络时间序列自回归建模展开。
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
基于随机图的网络时间序列自回归模型
- 研究问题
- 网络关联对象的时间序列中，如何区分邻居影响与同质性，并减少对同质性模型及网络生成机制正确设定的依赖？
- 方法与思路
- 作者以灵活潜变量表示同质性，用一阶差分估计影响；在同质性部分满足半参数设定时，推广邻居平滑估计其余参数。
- 材料陈述的贡献
- 摘要称差分估计仅要求影响部分正确设定，邻居平滑无需指定网络生成机制，并建立参数估计的一致性和渐近正态性。
- 阅读关注点
- 应核对差分如何消除同质性、两类估计各自的正确设定要求，以及网络与时间维度增长条件和影响参数的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明完整识别条件，不能仅凭分离同质性的表述确认干预因果解释。
原文摘要
Contemporary time series data often feature objects connected by a social network that naturally induces temporal dependence involving connected neighbours. The network vector autoregressive model is useful for describing the influence of linked neighbours, while recent generalizations aim to separate influence and homophily. Existing approaches, however, require either correct specification of a time series model or accurate estimation of a network model or both, and rely exclusively on least-squares for parameter estimation. This paper proposes a new autoregressive model incorporating a flexible form for latent variables used to depict homophily. We develop a first-order differencing method for the estimation of influence requiring only the influence part of the model to be correctly specified. When the part including homophily is correctly specified admitting a semiparametric form, we leverage and generalize the recent notion of neighbour smoothing for parameter estimation, bypassing the need to specify the generative mechanism of the network. We develop new theory to show that all the estimated parameters are consistent and asymptotically normal. The efficacy of our approach is confirmed via extensive simulations and an analysis of a social media dataset.