Spatial Correlation Robust Inference
空间相关稳健推断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：摘要研究一般空间相关下的区间推断，未明确涉及网络、面板或给定的其他细分对象。
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
空间相关稳健推断
- 研究问题
- 存在多种形式空间相关时，如何构造形式熟悉的置信区间，并在明确的有限样本模型类别或弱空间相关的大样本环境中保证覆盖？
- 方法与思路
- 作者用给定最坏情形空间相关模型的总体主成分构造标准误，再选择能保证基准参数化空间相关模型覆盖率的临界值。
- 材料陈述的贡献
- 摘要称，方法在受限非参数类的有限样本高斯环境中控制覆盖，并在平均成对相关趋于零的大样本环境中有效，还给出效率结果。
- 阅读关注点
- 应核对最坏情形模型与基准模型的选择、总体主成分如何获得，以及有限样本覆盖类别、弱相关条件和效率比较的具体范围。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断模型选择规则、覆盖证明或效率数值；方法不能据此被视为对任意强空间相关都稳健。
原文摘要
We propose a method for constructing confidence intervals that account for many forms of spatial correlation. The interval has the familiar “estimator plus and minus a standard error times a critical value” form, but we propose new methods for constructing the standard error and the critical value. The standard error is constructed using population principal components from a given “worst‐case” spatial correlation model. The critical value is chosen to ensure coverage in a benchmark parametric model for the spatial correlations. The method is shown to control coverage in finite sample Gaussian settings in a restricted but nonparametric class of models and in large samples whenever the spatial correlation is weak, that is, with average pairwise correlations that vanish as the sample size gets large. We also provide results on the efficiency of the method.