[论文解读] Factor Network Autoregressions

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

Mental Health Research Topics被引用 5

一句话总结

本文提出了因子网络自回归（FNAR）模型，该模型结合了基于张量的主成分分析与多层网络结构，用于建模具有复杂相互依赖关系的高维时间序列。通过从多个经济联系层次中提取少量可解释的网络因子，FNAR 实现了对宏观经济动态（如跨国GDP增长率）的高效估计与预测，具有理论一致性，并在预测性能上优于其他方法。

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.

研究动机与目标

• 为解决单层网络模型在捕捉经济主体之间复杂多通道相互依赖关系方面的局限性。
• 开发一种处理具有多种连接类型（如贸易、金融、移民）的高维多层网络的降维框架。
• 使用潜在网络因子而非所有独立的网络层次，估计一个简洁的自回归模型，以提升计算可行性与可解释性。
• 在节点数、层次数和时间点数同时发散的条件下，建立估计因子、因子载荷和自回归系数的理论一致性与渐近正态性。
• 通过基于多样化贸易与金融联系的国际GDP增长率动态实证应用，展示该模型的实证价值。

提出的方法

• 提出一种多层网络自回归（NAR）模型，其中大规模时间序列向量的动力由m个时变网络层次驱动，每一层次代表一种不同类型的经济联系。
• 提出一种新型基于张量的主成分分析方法，从多层结构中提取少量潜在网络因子，降低维度的同时保留各层次间的共同模式。
• 利用三阶张量（节点×节点×层次）的Tucker分解来估计核心因子与载荷，通过正交化与旋转实现识别。
• 使用提取的网络因子作为回归变量，估计最终的FNAR模型，替代原始的m个层次，回归系数通过最小二乘法、LASSO或Ridge方法估计，以缓解共线性问题。
• 采用TOPUP估计器估计载荷，并通过线性投影恢复估计因子，确保在高维渐近条件下的一致性。
• 推导理论性质，包括因子、载荷与系数估计量的弱平稳性、因果解以及渐近正态性，当N、m与T同时发散时成立。

实验结果

研究问题

• RQ1 多层网络结构能否被有效总结为少量可解释的网络因子，以捕捉不同经济联系间的共享动态？
• RQ2 所提出的基于张量的因子模型是否能在高维设定下，对网络因子、载荷与自回归系数产生一致且渐近正态的估计？
• RQ3 在预测准确率与可解释性方面，FNAR模型相较于其他全Tucker分解方法表现如何？
• RQ4 当存在多种国际联系时，FNAR模型在多大程度上能提升GDP增长率等宏观经济时间序列的预测性能？
• RQ5 所提出估计量的理论一致性速率如何？与基于全Tucker分解的替代方法相比有何差异？

主要发现

• 在节点数（N）、层次数（m）与时间点数（T）同时发散的条件下，FNAR模型实现了对网络因子、载荷与自回归系数的一致且渐近正态的估计。
• 网络因子估计量的理论一致性速率为 O(N−1∥bFt−Ft×3H−13∥) = Op(√(mN)/T)，该速率平衡了未知载荷与核心张量带来的估计误差。
• 实证结果表明，与基于全Tucker分解的替代方法相比，FNAR模型在GDP增长率预测方面表现更优，尤其在使用LASSO或Ridge回归处理共线性时优势显著。
• 该模型的网络因子具有经济可解释性，能够通过贸易、金融与投资等多种渠道捕捉国家间的宏观经济溢出效应。
• 替代方法（如bSt与bF∗t）的理论一致性速率通常更快，但缺乏可解释性，且在实证中表现较差，尽管在表H.12与H.13的(B)列中显示其速率更快。
• 模拟研究证实，所提出的估计量在有限样本中表现良好，因子载荷与自回归系数的推断具有低偏差与良好的覆盖率。