[论文解读] 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 3

一句话总结

本文提出了一种用于高维动态网络的矩阵分解模型，将网络矩阵的时间序列视为由低维潜在动态网络驱动的观测值。通过利用自协防差矩阵的约束特征分析，该方法在无需参数假设的情况下实现降维，并在国际贸易数据（1981–2015）中揭示了可解释的潜在贸易集团，如欧洲、亚洲和北美经济集团，且随时间呈现出明显的贸易增长模式转变。

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.

研究动机与目标

• 解决经济学与社会科学中高维动态网络数据分析缺乏可扩展、非参数化方法的问题。
• 克服现有基于随机图的模型所依赖的严格参数形式或分布假设的局限性。
• 提出一种面向时间序列的方法，将网络矩阵视为矩阵变量化时间序列中的观测值。
• 通过从观测到的表层网络中识别出低秩潜在动态网络结构，实现降维。
• 在无需主观建模选择的前提下，基于演化贸易模式揭示可解释、数据驱动的国家潜在分组。

提出的方法

• 将观测到的网络矩阵时间序列建模为通过未知确定性载荷矩阵对低维潜在网络矩阵的线性变换。
• 从网络时间序列的自协防差中构造一个正定矩阵，以捕捉时间依赖性和跨网络依赖性。
• 对该协防差矩阵应用约束特征分析，以同时估计潜在网络和载荷矩阵。
• 确保潜在结构直接从数据中学习，最大限度减少主观输入，避免参数或分布假设。
• 利用L2-范数收敛保证，确保估计的潜在分量在统计上的一致性。
• 根据国家载荷和维度间连接关系，将所得潜在维度解释为经济集团（如欧洲、亚洲、北美）。

实验结果

研究问题

• RQ1 如何在不施加严格参数或分布假设的前提下，有效建模高维动态网络数据？
• RQ2 1981至2015年间国际货物贸易流量演变背后的潜在低维结构是什么？
• RQ3 不同潜在经济集团之间的贸易增长模式如何随时间演变？
• RQ4 与传统的节点或边级动态网络模型相比，网络矩阵的时间序列方法在捕捉全球贸易动态方面是否更具优势？
• RQ5 潜在维度揭示的国际贸易网络中，哪些可解释的经济集团被识别出来？

主要发现

• 潜在网络结构揭示了明确的经济集团：进口维度1代表发达亚洲经济体（如日本、新加坡），维度2代表欧洲，维度4代表欧洲与中国的混合贸易模式。
• 1993年，贸易增长主要由进口维度3（欧洲）与出口维度1（欧洲与北美混合）之间的联系主导，表明欧洲贸易活动强劲。
• 至2003年，进口维度4（欧洲与中欧）与出口维度1和3（发达亚洲与欧洲）之间的贸易增长显著增强，反映出亚洲与欧洲一体化的兴起。
• 欧洲经济区（1994年）和欧元区（2002年）的建立在潜在维度中清晰体现为欧洲国家间聚类增强与连通性提升。
• 2013年，主导的贸易增长发生在进口维度2（以爱尔兰和瑞典为重点的欧洲国家）与出口维度1（发达亚洲）之间，凸显了亚洲出口日益增长的作用。
• 出口维度4被解释为代表欧洲国家，因其所有欧洲国家均具有高载荷，证实其在跨大陆贸易中的角色。