Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal Autoregressions with an Application to NO2 Satellite Data
大规模时空自回归的稀疏广义 Yule–Walker 估计：NO₂ 卫星数据应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究含时间滞后的时空自回归估计并报告预测应用，支持时间序列与预测方向。
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…
关注这篇论文的作者
大规模时空自回归的稀疏广义 Yule–Walker 估计：NO₂ 卫星数据应用
- 研究问题
- 在高维时空数据中，不预设空间相互作用矩阵时，如何从数据共同估计空间与时间依赖，并用于预测污染物浓度？
- 方法与思路
- 作者对含时间滞后和空间滞后的回归模型施加稀疏性，通过惩罚 Yule–Walker 方程估计，并设计适合空间网格的收缩。
- 材料陈述的贡献
- 摘要称给出有限样本误差界和联合高维渐近一致性；模拟及伦敦 NO₂ 应用显示较好的估计表现和预测改善。
- 阅读关注点
- 应核对空间滞后的可识别性、稀疏性及依赖条件、惩罚参数选择，并检查预测比较和空间作用证据的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未提供误差界条件、基准细节或预测数值，空间作用不能直接解释为因果。
原文摘要
We consider a high-dimensional model in which variables are observed over time and space. The model consists of a spatio-temporal regression containing a time lag and a spatial lag of the dependent variable. Unlike classical spatial autoregressive models, we do not rely on a predetermined spatial interaction matrix, but infer all spatial interactions from the data. Assuming sparsity, we estimate the spatial and temporal dependence fully data-driven by penalizing a set of Yule-Walker equations. This regularization can be left unstructured, but we also propose customized shrinkage procedures when observations originate from spatial grids (e.g. satellite images). Finite sample error bounds are derived and estimation consistency is established in an asymptotic framework wherein the sample size and the number of spatial units diverge jointly. Exogenous variables can be included as well. A simulation exercise shows strong finite sample performance compared to competing procedures. As an empirical application, we model satellite measured NO2 concentrations in London. Our approach delivers forecast improvements over a competitive benchmark and we discover evidence for strong spatial interactions.