1. 论文摘要

In spatial and social network analysis, multivariate spatial autoregressive (MSAR) models are effective tools for analyzing network data with multivariate responses. When the dimension of the response is divergent, however, the number of unknown parameters in an MSAR increases at a rate that is proportional to the square of the dimensionality, which poses significant challenges to the model estimation process. To address this issue, we propose a novel reduced-rank MSAR model by imposing a low-rank structure on the spatial influence matrix of the multivariate responses. The proposed model achieves substantial dimensionality reduction and offers insightful interpretations. To mitigate the high computational cost of the quasi-maximum likelihood estimator (QMLE), we propose a least squares estimator (LSE) for estimating the unknown parameters. Furthermore, we establish the asymptotic nature of the LSE when both the network size and the dimensionality of the responses diverge to infinity. To determine the rank, we propose an information criterion estimator and demonstrate the consistency of its rank selection process. Extensive numerical simulations validate the proposed model and parameter estimates. Finally, a dataset derived from Shouqianba, one of the largest aggregate payment platforms, is analyzed for illustration purposes.

2. 论文发表截图

3. 作者介绍

朱天翊

朱天翊，西南财经大学统计与数据科学学院2023级硕士研究生，主要从事网络数据分析、图神经网络等领域的研究。

蒲丹

蒲丹，西南财经大学统计与数据科学学院讲师，主要从事网络数据分析、空间计量经济学等领域的研究，研究成果发表于JOE、JBES、JCGS等权威期刊。

马莹莹

马莹莹，北京航空航天大学经济管理学院卓越百人副教授，先后主持国家自然科学基金面上，青年项目、教育部人文基金等，入选北航卓越百人，青年拔尖人才支持项目。主要从事时空数据建模，社交网络分析等领域的研究，研究成果发表于JOE、JBES等权威期刊。

黄丹阳

黄丹阳（通讯作者），中国人民大学统计学院教授，博士生导师，吴玉章青年学者，国家治理大数据和人工智能创新平台北京市消费大数据监测子实验室主任。主持国家自然科学基金面上项目、北京市社会科学基金重点项目等科研课题，入选北京市科协青年人才托举工程，曾获北京市优秀人才培养资助。主要从事网络模型分析，大规模数据计算等领域的研究，研究成果三十余篇发表于统计顶刊JRSSB、JASA、计量顶刊JOE、JBES、及人工智能顶会NeurIPS、ICML等。

兰伟

兰伟，西南财经大学统计与数据科学学院教授，博士生导师，统计与数据科学学院副院长，财经数智科学创新实验室主任。主持自科青年科学基金项目（B类）、面上项目和多个重点项目子课题。主要从事高维数据分析与建模、大型社交网络数据分析、风险管理和投资组合优化、消费金融反欺诈等领域的研究，在JASA、AOS、JOE、JBES等权威期刊发表论文60余篇。