高维动态网络的因子模型：在国际贸易流时间序列1981-2015中的应用
统计方法学
2017-10-18 v1
摘要
由于各类动态社会网络、生物网络和经济网络的重要性，动态网络分析在文献中受到越来越多的关注。现有的大多数动态网络数据概率与统计模型均源自随机图理论，其中网络在节点和边层面进行刻画。这些模型在应用中通常具有限制性，且无法扩展至当今非常普遍的高维动态网络数据。本文采取不同的视角：将演化的网络序列视为网络矩阵的时间序列。我们采用矩阵因子模型，假设观测到的表层动态网络由较低维度的潜动态网络驱动。表层网络与潜网络之间的线性关系由未知但确定的载荷矩阵刻画。通过对由网络时间序列的自交叉协方差构造的正定矩阵进行特征分析，估计潜网络及其相应载荷，从而捕捉网络中呈现的动态特性。所提方法能够揭示潜动态结构并实现降维目标。与基于潜变量的其他动态网络分析方法不同，我们的方法既不对底层网络施加任何分布假设，也不对其协方差函数施加任何参数形式。潜网络直接从数据中学习，几乎不需要主观输入。我们将所提方法应用于1981年至2015年的月度国际贸易流数据。结果揭示了潜贸易网络的有趣演化，以及潜实体与国家之间的关系。
引用
@article{arxiv.1710.06325,
title = {Factor Models for High-Dimensional Dynamic Networks: with Application to International Trade Flow Time Series 1981-2015},
author = {Elynn Yi Chen and Rong Chen},
journal= {arXiv preprint arXiv:1710.06325},
year = {2017}
}