面向高维时间序列的社区网络自回归
统计方法学
2020-07-13 v1
摘要
对大规模网络节点上的响应建模是一项在实践中常见的任务。本文提出社区网络向量自回归（CNAR）模型，该模型利用网络结构刻画高维时间序列的依赖性与社区内同质性。CNAR 模型通过允许不同网络社区间异质的网络效应，极大提升了网络向量自回归（Zhu 等，2017，NAR）模型的灵活性与普适性。此外，纳入非社区相关的潜因子以解释未知的截面依赖。网络社区数量可随网络扩张而发散，从而导致估计发散数量的模型参数。我们得到一组平稳性条件，并开发了高效的两步加权最小二乘估计量。建立了估计量的一致性与渐近正态性性质。理论结果表明，当误差具有因子结构时，两步估计量相较一步估计量在量级上改善一个阶。CNAR 模型的优势在多个合成与真实数据集上得到进一步说明。
引用
@article{arxiv.2007.05521,
title = {Community Network Auto-Regression for High-Dimensional Time Series},
author = {Elynn Y. Chen and Jianqing Fan and Xuening Zhu},
journal= {arXiv preprint arXiv:2007.05521},
year = {2020}
}
备注
59 pages; 10 figures; submitted