[論文レビュー] Poisson Network Autoregression

Mirko Armillotta, Konstantinos Fokianos|arXiv (Cornell University)|Apr 13, 2021

Statistical Methods and Inference参考文献 55被引用数 6

ひとこと要約

本稿では、時変なネットワーク構造を有するカウントデータに対して、ポissonネットワーク自己回帰モデルを導入し、準最尤推定における安定性および漸近正規性を確立する。固定および増大するネットワーク次元の両方において一貫した推定器を提供し、カウント値の出力を有する動的ネットワーク設定における有効な統計的推論を可能にする。

ABSTRACT

We consider network autoregressive models for count data with a non-random time-varying neighborhood structure. The main methodological contribution is the development of conditions that guarantee stability and valid statistical inference. We consider both cases of fixed and increasing network dimension and we show that quasi-likelihood inference provides consistent and asymptotically normally distributed estimators. The work is complemented by simulation results and a data example.

研究の動機と目的

• 非ランダムで時変な近隣構造を有するカウントデータに適したネットワーク自己回帰モデルの開発。
• 固定および増大するネットワーク次元の両方において、モデルの安定性および有効な統計的推論のための十分条件の確立。
• 一般条件下で、準最尤推定が一貫した推定器および漸近正規性を持つことを示すこと。
• シミュレーション研究および実データ例を通じて、手法の妥当性を検証すること。

提案手法

• 各ノードにおける応答が、その近隣ノードの過去の値に依存するポアソン分布に従うネットワーク自己回帰モデルを提案。
• 非ランダムで観測可能な時変な近隣構造を組み込み、ノード間の動的依存を許容。
• モデルの安定性および推論のためのモーメントの存在を保証する正則性条件を導出。
• 完全な分布仕様を必要としない準最尤推定を適用し、一貫性および漸近正規性を持つ推定器を達成。
• 固定および増大するネットワーク次元の両方における漸近的性質を分析し、ネットワークサイズの増大に対してもロバストであることを示す。
• シミュレーション研究を通じて有限標本における性能を評価し、実データ例を通じて実用的適用性を示す。

実験結果

リサーチクエスチョン

• RQ1 ポアソンネットワーク自己回帰モデルは、どのような条件下でカウントデータに対して安定的かつ良好に動作するか？
• RQ2 時変構造を有するネットワーク自己回帰モデルにおいて、準最尤推定が一貫した推定器および漸近正規性を持つ推定器を提供できるか？
• RQ3 ネットワーク次元が標本サイズとともに増大する際、推定の性質はどのように保たれるか？
• RQ4 実際のネットワーク設定における有限標本における推定手法の性能特性は何か？

主な発見

• 提案されたモデルは、ネットワーク構造および係数行列に関するやや緩い正則性条件のもとで安定性を確保する。
• 準最尤推定は、固定および増大するネットワーク次元の両方において、一貫した推定器および漸近正規性を持つ。
• ネットワーク構造が特定のスパarsityおよびモーメント条件を満たす限り、ネットワークサイズの増大に対しても有効な統計的推論を維持する。
• シミュレーション結果は、さまざまなネットワーク構成および標本サイズのもとで推定器のロバスト性と正確性を確認している。
• 実データ例は、観測された時変ネットワーク上での動的カウント過程の分析におけるモデルの実用的有用性を示している。