Estimation in semiparametric spatial regression
半参数空间回归中的估计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：摘要研究网格空间回归与农业数据，未明确涉及经济网络干扰或其他所列细分领域。
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
半参数空间回归中的估计
- 研究问题
- 网格空间数据依赖最近邻时，如何避免高维非参数条件均值估计的维数灾难，同时保留对方向性非线性的刻画？
- 方法与思路
- 作者提出半参数空间回归，将边际积分与局部线性核估计结合，研究估计量的渐近分布，并应用于经典小麦数据。
- 材料陈述的贡献
- 摘要称在一定条件下得到与一维回归相同的收敛速率，并在小麦数据中发现此前分析未注意到的一个方向分量非线性。
- 阅读关注点
- 应核对半参数结构如何降低维度、边际积分和核估计的实施、空间依赖条件，以及方向分量非线性的证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓温和条件、带宽选择及数值结果未说明，不能据此认定任意空间回归均有一维速率。
原文摘要
Nonparametric methods have been very popular in the last couple of decades in time series and regression, but no such development has taken place for spatial models. A rather obvious reason for this is the curse of dimensionality. For spatial data on a grid evaluating the conditional mean given its closest neighbors requires a four-dimensional nonparametric regression. In this paper a semiparametric spatial regression approach is proposed to avoid this problem. An estimation procedure based on combining the so-called marginal integration technique with local linear kernel estimation is developed in the semiparametric spatial regression setting. Asymptotic distributions are established under some mild conditions. The same convergence rates as in the one-dimensional regression case are established. An application of the methodology to the classical Mercer and Hall wheat data set is given and indicates that one directional component appears to be nonlinear, which has gone unnoticed in earlier analyses.