分位数网络向量自回归的双向同质性追踪
统计方法学
2024-04-30 v1
摘要
虽然向量自回归（VAR）模型在复杂时间序列建模中受到广泛关注，但分位数VAR分析在高维时间序列数据中仍相对未被充分探索。为解决这一差距，我们引入了一种双向分组网络分位数（TGNQ）自回归模型，用于在大规模网络上收集的时间序列，这些网络以节点间显著的异质性和方向性交互而闻名。我们提出的模型同时进行节点聚类和模型估计，以平衡复杂性和可解释性。为了考虑网络节点间的方向性影响，每个网络节点被分配两个潜在组成员身份，这些身份可以使用我们提出的估计过程一致地估计。理论分析表明，即使组数被过度指定，成员身份和参数估计量也是一致的。在正确的组指定下，估计参数被证明是渐近正态的，从而能够进行有效的统计推断。此外，我们提出了一种分位数信息准则用于一致地选择组数。模拟研究显示了良好的有限样本性能，并将该方法应用于分析中国A股股票之间的连通性和风险溢出效应。
引用
@article{arxiv.2404.18732,
title = {Two-way Homogeneity Pursuit for Quantile Network Vector Autoregression},
author = {Wenyang Liu and Ganggang Xu and Jianqing Fan and Xuening Zhu},
journal= {arXiv preprint arXiv:2404.18732},
year = {2024}
}