网络时间序列的新工具及其在 COVID-19 住院数据中的应用
统计方法学
2023-12-04 v1 应用统计
摘要
网络时间序列在科学与医学诸多领域中日益重要，其常具有已知或推断的底层网络结构，可被用以理解通常为高维的动态现象。例如，广义网络自回归（GNAR）模型以简洁方式利用了此类结构。我们基于 GNAR 框架引入两种关联度量：网络自相关函数与偏网络自相关函数，并引入 Corbit（correlation-orbit）图用于可视化。与常规自相关图类似，Corbit 图便于解释底层相关结构，且关键在于，相比 AIC 或 BIC 等其他工具，能更快速地辅助模型选择。我们进一步将 GNAR 过程解释为广义图模型，其约束了过程的自回归结构，并通过利用高阶相互作用展现出与图模型有趣的理论联系。我们展示了先验信息的引入如何关联于在 GNAR 背景下进行变量选择与收缩。我们通过建模英格兰与威尔士 140 个 NHS Trust 的机械通气床位入院数的 COVID-19 网络时间序列，阐明了 GNAR 公式、网络自相关与 Corbit 图的效用。我们引入可分析不同时间段相关性或相对于外部协变量的 Wagner 图。此外，我们引入量化单个节点相关性与影响的图。我们的建模揭示了 COVID-19 序列的底层动态，突出两组地理邻近的“有影响力”NHS Trust，并展现出优于现有技术的预测能力。
引用
@article{arxiv.2312.00530,
title = {New tools for network time series with an application to COVID-19 hospitalisations},
author = {Guy Nason and Daniel Salnikov and Mario Cortina-Borja},
journal= {arXiv preprint arXiv:2312.00530},
year = {2023}
}