مقاله تخمین قوی در رگرسیون خودکار برداری شبکه با رگرسیون های غیر ثابت

چکیده

This article studies identification and estimation for the network vector autoregressive model with nonstationary regressors. In particular, network dependence is characterized by a nonstochastic adjacency matrix. The information set includes a stationary regressand and a node-specific vector of nonstationary regressors, both observed at the same equally spaced time frequencies. Our proposed econometric specification correponds to the NVAR model under time series nonstationarity which relies on the local-to-unity parametrization for capturing the unknown form of persistence of these node-specific regressors. Robust econometric estimation is achieved using an IVX-type estimator and the asymptotic theory analysis for the augmented vector of regressors is studied based on a double asymptotic regime where both the network size and the time dimension tend to infinity.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی شناسایی و تخمین برای مدل اتورگرایی وکتور شبکه با رگرسیون های غیر ایستگاه می پردازیم.به طور خاص ، وابستگی شبکه با یک ماتریس مجاور غیر متمایز مشخص می شود.مجموعه اطلاعات شامل یک رگرسیون ثابت و یک بردار خاص گره از رگرسیون های غیر ایستگاه است که هر دو در فرکانس های زمانی به همان اندازه فاصله دارند.مشخصات اقتصاد سنجی پیشنهادی ما به مدل NVAR تحت سری زمانی عدم استحکام است که به پارامتر سازی محلی به یک اتحادیه برای گرفتن شکل ناشناخته تداوم این رگرسیون های خاص گره متکی است.برآورد اقتصاد سنجی قوی با استفاده از یک برآوردگر از نوع IVX حاصل می شود و تجزیه و تحلیل تئوری بدون علامت برای بردار افزوده رگرسیونرها بر اساس یک رژیم بدون علامت دوتایی مورد مطالعه قرار می گیرد که در آن هم اندازه شبکه و هم ابعاد زمان تمایل به بی نهایت دارد.