Gimbal Regression: Orientation-Adaptive Local Linear Regression under Spatial Heterogeneity
Gimbal 回归：空间异质性下方向自适应的局部线性回归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：摘要属于通用空间局部回归与数值稳定性研究，未明确涉及面板、网络或所列其他细分。
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
Gimbal 回归：空间异质性下方向自适应的局部线性回归
- 研究问题
- 当空间邻域具有方向性或接近低维结构时，如何避免局部回归的病态求解造成伪系数变化，并提供可检查的诊断？
- 方法与思路
- 作者根据邻域几何构造方向权重，采用显式方向对象与确定性防护措施，通过闭式求解得到局部回归系数。
- 材料陈述的贡献
- 摘要称在给定实际邻域配置下建立确定性线性算子及有限扰动稳定性界，并报告透明诊断与改善的数值稳定性。
- 阅读关注点
- 应核对方向权重和防护规则、稳定性界依赖的邻域条件，以及数值稳定性与统计偏误、方差和推断之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要理论以已实现邻域为条件，未说明总体统计一致性或因果解释。
原文摘要
Local regression is widely used to explore spatial heterogeneity, but anisotropic or effectively low-dimensional neighborhoods can produce ill-conditioned local solves, causing coefficient variation driven by numerical artifacts rather than substantive structure. Such instability is often hidden when estimation relies on implicit tuning or optimization without exposing local diagnostics. This paper proposes Gimbal Regression (GR), a deterministic, geometry-aware local regression framework for stable and auditable estimation. GR constructs directional weights from neighborhood geometry using explicit orientation objects and deterministic safeguards, and computes local coefficients by a closed-form solve. Theoretical results are stated conditional on the realized neighborhood configuration, under which the estimator is a deterministic linear operator with finite-perturbation stability bounds. Simulations and empirical examples demonstrate predictable computation, transparent diagnostics, and improved numerical stability relative to common local regression baselines.