Spatio-temporal count autoregression
时空计数自回归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：摘要明确采用多变量计数自回归建模时间依赖，对应时间序列方向，但未说明宏观应用。
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…
时空计数自回归
- 研究问题
- 面对同时具有空间关联与时间依赖的计数数据，如何建立可加入协变量的模型，并控制大型多变量系统的参数数量？
- 方法与思路
- 作者采用简约参数化的多变量计数自回归模型，以空间邻域结构约束可能很大的参数矩阵，同时允许协变量回归。
- 材料陈述的贡献
- 摘要称，该框架能够表达时空依赖并限制参数规模，受到实际数据应用驱动，广泛模拟显示所用方法可得到可靠估计。
- 阅读关注点
- 应核对计数分布与依赖结构、邻域设定方式、参数约束，以及估计和推断所需条件与模拟中可靠性的衡量标准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明具体应用、计数分布、渐近条件或模拟数值。
原文摘要
We study the problem of modeling and inference for spatio-temporal count processes. Our approach uses parsimonious parameterisations of multivariate autoregressive count time series models, including possible regression on covariates. We control the number of parameters by specifying spatial neighbourhood structures for possibly huge matrices that take into account spatio-temporal dependencies. This work is motivated by real data applications which call for suitable models. Extensive simulation studies show that our approach yields reliable estimators.