Moran’s I lasso for models with spatially correlated data
空间相关数据模型的Moran’s I lasso估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间相关误差与变量选择，未明确涉及网络互动或干扰，现有细分标签缺少直接对应项。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
空间相关数据模型的Moran’s I lasso估计
- 研究问题
- 空间特征向量过滤中，如何选择空间权重矩阵的特征向量以处理遗漏的空间相关项，并兼顾选择后的有效统计推断？
- 方法与思路
- 作者将Moran统计量所含信息用于lasso选择，构造Mi-lasso，推导性能界与一致选择所需条件，并进行模拟和房价应用。
- 材料陈述的贡献
- 摘要称，该方法将选择后推断纳入空间特征向量过滤，并较交叉验证lasso及前向逐步程序更快，模拟与应用显示有限样本表现良好。
- 阅读关注点
- 应核对空间权重矩阵设定、Moran信息进入选择准则的方式、性能界与一致选择条件，以及选择后推断和计算比较。
- 阅读边界
- 摘要未给出具体性能界、推断条件和运行时间；其关于首创性与速度优势的陈述尚不能仅凭摘要独立验证或普遍化。
原文摘要
Summary This paper proposes a lasso-based estimator which uses information embedded in the Moran statistic to develop a selection procedure called Moran’s I lasso (Mi-lasso) to solve the eigenvector spatial filtering (ESF) eigenvector selection problem. ESF uses a subset of eigenvectors from a spatial weights matrix to efficiently account for any omitted spatially correlated terms in a classical linear regression framework, thus eliminating the need for the researcher to exlicitly specify the spatially correlated parts of the model. We proposed the first ESF procedure accounting for post-selection inference. We derive performance bounds and show the necessary conditions for consistent eigenvector selection. The key advantages of the proposed estimator are that it is intuitive, theoretically grounded, able to provide robust inference, and substantially faster than lasso based on cross-validation or any proposed forward stepwise procedure. Our simulation results and an application on house prices demonstrate that Mi-lasso performs well compared with existing procedures in finite samples.