[論文レビュー] Factor Network Autoregressions

Matteo Barigozzi, Giuseppe Cavaliere+1 more|arXiv (Cornell University)|Aug 4, 2022

Mental Health Research Topics被引用数 5

ひとこと要約

本稿は、テンソルに基づく主成分分析と多層ネットワーク構造を組み合わせることで、複雑な相関関係を有する高次元時系列をモデル化する要因ネットワーク自己回帰（FNAR）モデルを導入する。複数の経済的つながり層から、解釈可能なネットワーク要因を少量抽出することで、FNARは、国別GDP成長率のようなマクロ経済ダイナミクスの効率的推定と予測を可能にし、代替手法と比較して理論的整合性と優れた予測性能を示す。

ABSTRACT

We propose a factor network autoregressive (FNAR) model for time series with complex network structures. The coefficients of the model reflect many different types of connections between economic agents ("multilayer network"), which are summarized into a smaller number of network matrices ("network factors") through a novel tensor-based principal component approach. We provide consistency and asymptotic normality results for the estimation of the factors, their loadings, and the coefficients of the FNAR, as the number of layers, nodes and time points diverges to infinity. Our approach combines two different dimension-reduction techniques and can be applied to high-dimensional datasets. Simulation results show the goodness of our estimators in finite samples. In an empirical application, we use the FNAR to investigate the cross-country interdependence of GDP growth rates based on a variety of international trade and financial linkages. The model provides a rich characterization of macroeconomic network effects as well as good forecasts of GDP growth rates.

研究の動機と目的

• 経済主体間の複雑な多チャネル相互依存関係を捉えるのに不十分な単層ネットワークモデルの限界を解消すること。
• 多数の種類のつながり（例：貿易、金融、移住）を有する高次元多層ネットワークを扱える次元削減フレームワークの開発。
• 個々のネットワーク層をすべて使用する代わりに、潜在的なネットワーク要因を用いた簡素化された自己回帰モデルを推定することで、計算上の実行可能性と解釈可能性を向上させること。
• ノード数、層数、時系列点数が同時に発散する条件下で、推定された要因、負荷係数、自己回帰係数の理論的整合性と漸近正規性を確立すること。
• 多様な貿易および金融的つながりを用いた国際的GDP成長ダイナミクスへの応用を通じて、モデルの実証的価値を示すこと。

提案手法

• 複数の時間的に変化するネットワーク層（それぞれ異なる種類の経済的つながりを表す）によって駆動される、大規模な時系列ベクトルのダイナミクスを記述する多層ネットワーク自己回帰（NAR）モデルを提案。
• 多層構造から少量の潜在的ネットワーク要因を抽出するための新規なテンソルベースの主成分分析を導入し、次元削減を実現するとともに、層間の共通パターンを保持する。
• ノード×ノード×層の3方向テンソルに対するTucker分解を用いてコア要因と負荷係数を推定し、直交化と回転による同定を実施。
• 抽出されたネットワーク要因を説明変数として用い、最終的なFNARモデルを推定。元のm層の代わりに、最小二乗法、LASSO、またはリッジ回帰により係数を推定し、共線性の問題に対処。
• 負荷係数のTOPUP推定量を用い、線形射影を適用して推定された要因を回復させ、高次元漸近的条件下での一貫性を確保。
• ノード数N、層数m、時系列点数Tが同時に発散する際の、要因、負荷係数、係数推定量の弱 stationarity、因果的解、および漸近正規性といった理論的性質を導出。

実験結果

リサーチクエスチョン

• RQ1 多層ネットワーク構造は、貿易、金融、投資など多様な経済的つながりに共通するダイナミクスを捉える、少量の解釈可能なネットワーク要因に効果的に要約可能か？
• RQ2 提案されたテンソルベースの要因モデルは、高次元設定下でネットワーク要因、負荷係数、自己回帰係数の推定量について、一貫性と漸近正規性を有するか？
• RQ3 FNARモデルは、フルTucker分解アプローチと比較して、予測精度と解釈可能性の面で優れているか？
• RQ4 複数の国際的つながりが存在する状況において、FNARモデルはGDP成長のようなマクロ経済時系列の予測性能をどの程度向上できるか？
• RQ5 提案された推定量の理論的一貫性レートは何か？ また、フルTucker分解に基づく代替手法との比較において、それらはどのように異なるか？

主な発見

• ノード数（N）、層数（m）、時系列点数（T）が同時に発散する条件下で、FNARモデルはネットワーク要因、負荷係数、自己回帰係数の推定量について一貫性と漸近正規性を達成する。
• ネットワーク要因推定量の一貫性レートは、O(N−1∥bFt−Ft×3H−13∥) = Op(√(mN)/T) のオーダーであり、未知の負荷係数とコアテンソルからの推定誤差のバランスをとる。
• 実証的結果から、FNARモデルは、フルTucker分解に基づく代替手法と比較して、GDP成長の予測精度が優れていることが示された。特に、共線性を扱うためにLASSOやリッジ回帰が用いられた場合に顕著である。
• モデルのネットワーク要因は経済的に解釈可能であり、貿易、金融、投資などの多様なチャネルを通じて国境を越えたマクロ経済の伝播効果を捉えている。
• 代替手法（例：bStとbF∗t）の一貫性レートは理論的には速いが、解釈性に欠け、実証的にも性能が劣る。これは、表H.12およびH.13の(B)欄における高速なレートにもかかわらず同様である。
• シミュレーションスタディにより、提案された推定量が有限標本でも良好に機能することが確認され、要因負荷係数および自己回帰係数の推定におけるバイアスが低く、信頼区間のカバレッジも良好であった。