具有潜在分组结构的矩阵值网络自回归模型
统计方法学
2022-12-06 v1
摘要
矩阵值时间序列数据在广泛领域中频繁出现，并近来受到极大关注。本文中，我们在矩阵自回归框架下对高维矩阵值时间序列数据建模网络效应。为同时刻画个体潜在的异质性并处理高维性，我们假设每个个体具有一个潜在组标签，从而能够将个体聚类到相应的行组与列组。我们提出一种分组矩阵网络自回归（GMNAR）模型，其假设同一组内的个体共享同一组模型参数。为估计该模型，我们开发了一种迭代算法。在理论上，我们证明当组数被正确设定或可能过设定时，组分参数与组成员身份均可被一致估计。我们还提供了用于组数估计的信息准则以一致地选择组数。最后，我们在 Yelp 数据集上应用该方法以说明其实用性。
引用
@article{arxiv.2212.02107,
title = {Matrix-valued Network Autoregression Model with Latent Group Structure},
author = {Yimeng Ren and Xuening Zhu and Yanyuan Ma},
journal= {arXiv preprint arXiv:2212.02107},
year = {2022}
}