广义网络向量自回归.PDFVIP

中国科学: 数学 2018 年 第48 卷 第? 期: 1 ∼ 14 SCIENTIA SINICA Mathematica 论 文 广义网络向量自回归 1 2 ♭ 3 ∗ 3 王菲菲 , 朱雪宁 , 潘蕊 , 高天辰 1. 中国人民大学统计学院, 北京, 100872 2. 复旦大学大数据学院, 上海, 200433 3. 中央财经大学统计与数学学院, 北京, 100081 E-mail: feifei.wang@, xueningzhu@, panrui cufe@126.com, gaotianchen cufe@ 收稿日期: 2018-XX-XX; 接受日期: 2018-XX-XX; 网络出版日期: 2018-01-XX; * 通信作者 国家自然科学基金(批准号: U1811461, , 中国人民大学科学研究基金(中央高校基本科研 业务费专项资金资助)(批准号: 18XNLG02), 上海市科技人才计划项目(批准号: 19YF1402700), 复旦新再灵大数据联合实验室, 中央财 经大学“青年英才”项目(批准号: QYP1911), 中央高校基本科研业务费专项资金资助, 中央财经大学科研创新团队支持计划资助项目. ♭为 共同第一作者 摘要 随着社交网络平台的快速发展, 带有网络结构的时序数据越来越多. 为拟合用户行为的动态 变化, 网络向量自回归模型被提出. 模型最早研究的是连续型因变量. 然而实际数据常观测到离散型 因变量. 由此, 本文提出广义网络向量自回归模型. 模型假设存在一个潜在的连续型变量, 决定了可 观测到的离散型因变量的取值. 为了估计和推断模型, 我们提出了MCMC算法并通过随机模拟进行 验证. 最后, 使用某社交网络平台上的两个真实的数据案例作为例证. 关键词 网络结构数据 MCMC算法 网络向量自回归 潜在变量 MSC (2010) 主题分类 60F17, 60F15, 60A86 1 引言 随着互联网的快速发展, 社交网络数据越来越多. 如今, 典型的在线社交网络平台包括Facebook (), Twitter (), 新浪微博 ()等等. 社交网络由许多 节点以及节点之间的网络关系组成. 例如, 在微博社交关系网络中, 一个用户就是一个节点, 用户之 [1] 间的相互关注关系就是网络关系 . 在引文网络中, 一篇论文就是一个节点, 论文间的引用关系就是 [2] 络 系 . 传 数 不 , 络 构 据 再 立 而 包 了 体 间 关 信 , 研 社 网 关 与 统 据 同 网 结 数 不 独 , 是 含 个 之 的 系 息 在 究 会关系方面具有巨大的商业价值. 因此, 社交网络数据的统计分析在各个学科中具有广泛的应用, 例 如: 在组织管理学中研究同伴效应, 在人口学中基于社交网络研究移民特点, 等等[3–5] . 除了网络关系之外, 从每个节点收集的因变量和自变量也可以是时间序列数据. 一般而言, 回 归模型被广泛用于研究因变量和自变量的相关关系. 而空间自回归模型的提出既可以将网络关系考 英文引用格式: Wang, F., Zhu, X., Pan, R., Gao, T. Generalized Network Vector Autoregression (in Chinese). Sci Sin Math, 2018, 48: 1–14, doi: 10.1360/N012017-XXXX c ⃝ 2018 《中国科学》杂志社 王菲菲, 朱雪宁等: 广义网络向量自回归