发现实体条件滞后异质性：基于滞后门控神经审计框架的时间序列面板
机器学习
2026-05-22 v1
摘要
国家层面的时间面板数据在实证分析中广泛使用。研究人员经常需要审计不同实体对历史信号在不同时间范围内的响应方式。当前方法通常不提供可直接审计的实体特定滞后概览。我们将实体条件的异质滞后发现形式化为时间面板挖掘任务，提出 AC-GATE（自适应条件编码器搭载比例不变滞后门控），它通过使用可观测的实体层面代理变量来条件化滞后权重分布，从而实现条件化的调制型分布式滞后，从而将有效滞后作为模型的结构性输出，而非事后解释。评估基于分层审计协议，该协议将预测校准与滞后发现分开。使用具有已知真实滞后结构的合成面板进行机制恢复测试，以及两个真实世界的国家层面面板进行外部审计和压力测试。结果表明，AC-GATE 能够在合成数据中恢复异质滞后结构，并在真实数据中生成非退化的、外部结构化的有效滞后。
引用
@article{arxiv.2605.21542,
title = {Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series},
author = {Andi Xu},
journal= {arXiv preprint arXiv:2605.21542},
year = {2026}
}
备注
Preprint/technical paper. An interpretable neural audit framework for entity-conditioned lag discovery in panel time series. 10 pages, 5 figures, 16 tables. Code available at the GitHub repository