Towards reconciling two asymptotic frameworks in spatial statistics
空间统计中两种渐近框架的协调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：摘要讨论空间统计的渐近框架，未直接涉及宏观面板、时间序列或经济网络与干扰。
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
空间统计中两种渐近框架的协调
- 研究问题
- 对高斯空间模型协方差参数的有限样本推断，增域渐近与加密渐近哪一种提供更贴近实际分布的近似？
- 方法与思路
- 作者以极限分布对有限样本分布的近似质量为选择依据，对含或不含块金效应的高斯空间模型开展理论与经验比较。
- 材料陈述的贡献
- 摘要称指数协方差函数的某些可一致估计参数在两种框架下近似表现相当，而不能一致估计的参数更适合加密渐近近似。
- 阅读关注点
- 应核对空间采样设计、指数协方差函数参数的可一致估计性、近似质量的评价方式，以及块金效应如何进入比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；结论针对摘要所述参数与模型，不能概括为所有空间模型的一般框架选择规则。
原文摘要
Two asymptotic frameworks, increasing domain asymptotics and infill asymptotics, have been advanced for obtaining limiting distributions of maximum likelihood estimators of covariance parameters in Gaussian spatial models with or without a nugget effect. These limiting distributions are known to be different in some cases. It is therefore of interest to know, for a given finite sample, which framework is more appropriate. We consider the possibility of making this choice on the basis of how well the limiting distributions obtained under each framework approximate their finite-sample counterparts. We investigate the quality of these approximations both theoretically and empirically, showing that, for certain consistently estimable parameters of exponential covariograms, approximations corresponding to the two frameworks perform about equally well. For those parameters that cannot be estimated consistently, however, the infill asymptotic approximation is preferable.