Grouped Network Vector Autoregression
Grouped Network Vector Autoregression
复制标题
分组网络向量自回归
DOI：
10.5705/ss.202017.0533
复制
发表时间：
2020
影响因子：
1.4
通讯作者：
Rui Pan
中科院分区：
文献类型：
--
作者：
Xuening Zhu;Rui Pan
时间序列分析通常用于模拟所有个体在等间隔时间点上的连续反应。随着社交网站的快速发展，网络数据变得越来越可用。网络向量自回归（NAR）模型融合了个体间的网络信息。每个个体的响应可以用它的滞后值、它的邻居的平均值和一组节点特定的协变量来解释。然而，假设所有个体都是齐次的，因为它们具有相同的自回归系数。为了表达个体异质性，我们建立了分组NAR （GNAR）模型。网络中的个体可以根据一组参数划分为不同的组。建立了GNAR模型的严格平稳性。开发了两种估计程序，以及所提出的模型的渐近性质。数值研究进行了评估我们提出的方法的有限样本性能。最后，本文给出了两个真实数据实例，分别基于对新浪微博平台用户发布行为和中国大陆空气污染模式（尤其是PM2.5）的研究。中国统计：预印本doi:10.5705/ss.202017.0533
Time series analyses are often used to model a continuous response for all individuals at equally spaced time points. With the rapid advance of social network sites, network data are becoming increasingly available. The network vector autoregression (NAR) model incorporates the network information among individuals. The response of each individual can be explained by its lagged value, the average of its neighbors, and a set of node-specific covariates. However, all individuals are assumed to be homogeneous because they share the same autoregression coefficients. To express individual heterogeneity, we develop a grouped NAR (GNAR) model. Individuals in a network can be classified into different groups characterized by sets of parameters. The strict stationarity of the GNAR model is established. Two estimation procedures are developed, as well as the asymptotic properties of the proposed model. Numerical studies are conducted to evaluate the finite-sample performance of our proposed methodology. Lastly, two real-data examples are presented, based on studies on user posting behavior on the Sina Weibo platform and on air pollution patterns (especially PM2.5) in mainland China, respectively. Statistica Sinica: Preprint doi:10.5705/ss.202017.0533
登录
查看更多内容
DOI：
10.4018/978-1-7998-6713-5.ch008
发表时间：
2021
期刊：
Advances in Human Resources Management and Organizational Development
影响因子：
--
作者：
Yuh-Wen Chen
通讯作者：
Yuh-Wen Chen
影响因子：
1.6
作者：
C. Streeter;D. F. Gillespie
通讯作者：
C. Streeter;D. F. Gillespie
DOI：
10.1007/978-3-319-32010-6_187
发表时间：
2022-05
期刊：
Encyclopedia of Big Data
影响因子：
--
作者：
Magdalena Bielenia-Grajewska
通讯作者：
Magdalena Bielenia-Grajewska
DOI：
--
发表时间：
2006-11
期刊：
--
影响因子：
--
作者：
Miguel A. Juárez;M. Steel
通讯作者：
Miguel A. Juárez;M. Steel
DOI：
10.1007/978-3-662-04172-7_5
发表时间：
1991
期刊：
--
影响因子：
--
作者：
L. Saulis;V. Statulevičius
通讯作者：
L. Saulis;V. Statulevičius