Multi-Resolution Analysis of Variable Selection for Road Safety in St. Louis and Its Neighboring Area
圣路易斯及邻近地区道路安全变量选择的多分辨率分析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：摘要主题为空间点过程强度函数估计中的变量选择方法及其在犯罪与事故数据上的应用，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等方向，故不选择任何细分。
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
圣路易斯及邻近地区道路安全变量选择的多分辨率分析
- 研究问题
- 摘要称，研究关注在空间点过程强度函数估计中，当预测变量数量发散时，如何从多分辨率（局部）视角进行变量选择，并应用于圣路易斯及其邻近地区的犯罪与事故发生的预测变量识别。
- 方法与思路
- 作者提出一种多分辨率视角的变量选择方法，用于空间点过程数据；摘要提到 Lasso、Adaptive Lasso 与 SCAD 是大量预测变量情形下的标准方法，并称通过模拟结果验证局部层面变量选择在强度函数估计中的准确性。
- 材料陈述的贡献
- 摘要称其优势有二：一是能有效选择预测变量，二是能给出在特定分辨率下哪些点对选择某个预测变量有贡献，从而识别圣路易斯哪些区域的犯罪或事故与哪组预测变量相关。
- 阅读关注点
- 阅读全文时应核对：多分辨率变量选择的具体构造与识别条件、与 Lasso/Adaptive Lasso/SCAD 的比较设定、模拟设计及评价指标、圣路易斯数据的来源与空间分辨率定义，以及局部选择结果的可解释性依据。
- 阅读边界
- 仅凭摘要无法判断方法的理论性质、估计精度、模拟与实证的具体数值结果及稳健性；摘要未说明数据细节、模型假设与推断程序。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Generally, Lasso, Adaptive Lasso, and SCAD are standard approaches in variable selection in the presence of a large number of predictors. In recent years, during intensity function estimation for spatial point processes with a diverging number of predictors, many researchers have considered these penalized methods. But we have discussed a multi-resolution perspective for the variable selection method for spatial point process data. Its advantage is twofold: it not only efficiently selects the predictors but also provides the idea of which points are liable for selecting a predictor at a specific resolution. Actually, our research is motivated by the crime and accident occurrences in St. Louis and its neighborhoods. It is more relevant to select predictors at the local level, and thus we get the idea of which set of predictors is relevant for the occurrences of crime or accident in which parts of St. Louis. We describe the simulation results to justify the accuracy of local-level variable selection during intensity function estimation.