[論文レビュー] Factor Models for High-Dimensional Dynamic Networks: with Application to International Trade Flow Time Series 1981-2015

Elynn Yi Chen, Rong Chen|arXiv (Cornell University)|Oct 17, 2017

Complex Network Analysis Techniques参考文献 26被引用数 3

ひとこと要約

本稿では、高次元動的ネットワークのための行列分解モデルを提案する。時間的系列としてのネットワーク行列の系列を、低次元の潜在的動的ネットワークによって駆動される観測値として扱う。自己交叉自己共分散行列の制約付き固有値解析を活用することで、パrametricな仮定を必要とせず次元削減を達成し、国際貿易データ（1981–2015）において、ヨーロッパ、アジア、北米経済ブロックといった解釈可能な潜在的貿易グループを明らかにする。時間経過に伴い貿易成長パターンの明確なシフトが観察される。

ABSTRACT

Dynamic network analysis has found an increasing interest in the literature because of the importance of different kinds of dynamic social networks, biological networks, and economic networks. Most available probability and statistical models for dynamic network data are deduced from random graph theory where the networks are characterized on the node and edge level. They are often very restrictive for applications and unscalable to high-dimensional dynamic network data which is very common nowadays. In this paper, we take a different perspective: The evolving sequence of networks are treated as a time series of network matrices. We adopt a matrix factor model where the observed surface dynamic network is assumed to be driven by a latent dynamic network with lower dimensions. The linear relationship between the surface network and the latent network is characterized by unknown but deterministic loading matrices. The latent network and the corresponding loadings are estimated via an eigenanalysis of a positive definite matrix constructed from the auto-cross-covariances of the network times series, thus capturing the dynamics presenting in the network. The proposed method is able to unveil the latent dynamic structure and achieve the objective of dimension reduction. Different from other dynamic network analytical methods that build on latent variables, our approach imposes neither any distributional assumptions on the underlying network nor any parametric forms on its covariance function. The latent network is learned directly from the data with little subjective input. We applied the proposed method to the monthly international trade flow data from 1981 to 2015. The results unveil an interesting evolution of the latent trading network and the relations between the latent entities and the countries.

研究の動機と目的

• 経済学および社会科学分野における高次元動的ネットワークデータのスケーラブルで非パラメトリックな解析手法の不足に対処する。
• 制限的なパラメトリック形式や分布的仮定に依存する既存のランダムグラフベースのモデルの限界を克服する。
• ネットワーク行列を行列変量時系列における観測値として扱う、時系列指向のアプローチを構築する。
• 観測された表面的ネットワークから低ランクの潜在的動的ネットワーク構造を特定することで次元削減を実現する。
• 主観的なモデリング選択を避け、進化する貿易パターンに基づいてデータ駆動型の潜在的国別グループ化を明らかにする。

提案手法

• 観測されたネットワーク行列時系列を、未知の決定的ローディング行列による低次元潜在ネットワーク行列の線形変換としてモデル化する。
• 時系列的およびネットワーク間の依存関係を捉えるために、ネットワーク時系列の自己交叉共分散から正定値行列を構築する。
• この共分散行列に対して制約付き固有値解析を適用し、潜在ネットワークおよびローディング行列を同時に推定する。
• 潜在構造が最小限の主観的入力でデータから直接学習され、パラメトリックまたは分布的仮定を回避する。
• L2ノルム収束の保証を用いて、推定された潜在成分の統計的整合性を確保する。
• 得られた潜在次元を、国々のローディングおよび次元間接続に基づき、経済ブロック（例：ヨーロッパ、アジア、北米）として解釈する。

実験結果

リサーチクエスチョン

• RQ1 制限的なパラメトリック仮定や分布的仮定を課さずに、高次元動的ネットワークデータを効果的にモデル化する方法は何か？
• RQ2 1981年から2015年までの国際貿易フローの進化の背後にある潜在的低次元構造は何か？
• RQ3 時間経過に伴い、異なる潜在的経済グループ間で貿易成長パターンはどのように変化するか？
• RQ4 ノードまたはエッジレベルの動的ネットワークモデルに比べて、ネットワーク行列に対する時系列アプローチは、グローバル貿易ダイナミクスをより効果的に捉えられるか？
• RQ5 国際貿易ネットワークの潜在次元から明らかにされる解釈可能な経済的グループ化は何か？

主な発見

• 潜在ネットワーク構造は明確な経済的グループ化を示しており、輸入次元1は発展したアジア諸国（例：日本、シンガポール）を表し、次元2はヨーロッパを表し、次元4はヨーロッパと中国の貿易の混合を表す。
• 1993年には、輸入次元3（ヨーロッパ）と輸出次元1（ヨーロッパと北米の混合）の間の接続が貿易成長を支配しており、ヨーロッパ貿易活動の強さが示された。
• 2003年には、輸入次元4（ヨーロッパと中国）と輸出次元1および3（発展したアジアおよびヨーロッパ）の間で貿易成長が強化されており、アジアおよびヨーロッパ統合の台頭を反映している。
• ヨーロッパ経済地域（1994年）およびユーロ圏（2002年）の設立は、潜在次元におけるヨーロッパ諸国のクラスタリングおよび接続性の増加として明確に反映されている。
• 2013年には、輸入次元2（アイルランドおよびスウェーデンに焦点を当てるヨーロッパ諸国）と輸出次元1（発展したアジア）の間で貿易成長が支配的であり、アジア輸出の役割拡大を示している。
• 輸出次元4は、ヨーロッパ諸国からの高いローディングを示しており、ヨーロッパ諸国が横断的貿易を担う役割を果たしていることを確認している。