Spatial effect detection regression for large-scale spatio-temporal covariates
面向大规模时空协变量的空间效应检测回归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。
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：摘要聚焦环境与医学数据的时空回归，未明确涉及宏观预测、网络干扰或其他所列方向。
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…
面向大规模时空协变量的空间效应检测回归
- 研究问题
- 面对高维时空预测变量，如何刻画其对标量响应的非线性、不规则作用，并自动识别空间效应边界及利用时空相关信息？
- 方法与思路
- 作者提出SEDR模型，将组成函数与系数函数设为位置和时间的未知光滑函数，以惩罚实现零一系数选择，并设计显式更新的迭代算法。
- 材料陈述的贡献
- 摘要称建立估计收敛率与选择一致性，并证明算法从文中指定初值出发收敛；模拟和两类应用报告了较好的估计及预测表现。
- 阅读关注点
- 核对光滑性与时空相关条件、边界选择的惩罚及一致性定义，算法初值限制，以及预测比较的基准、调参与样本划分方式。
- 阅读边界
- 仅依据所给Crossref摘要；理论适用条件、误差数值和比较设置未说明，不能把所述优势推广至任意高维时空数据或推断其他版本变化。
原文摘要
Abstract We develop a Spatial Effect Detection Regression (SEDR) model to capture the nonlinear and irregular effects of high-dimensional spatio-temporal predictors on a scalar outcome. Specifically, we assume that both the component and the coefficient functions in the SEDR are unknown smooth functions of location and time. This allows us to leverage spatially and temporally correlated information, transforming the curse of dimensionality into a blessing, as confirmed by our theoretical and numerical results. Moreover, we introduce a set of 0–1 regression coefficients to automatically identify the boundaries of the spatial effect, implemented via a novel penalty. A simple iterative algorithm, with explicit forms at each update step, is developed, and we demonstrate that it converges from the initial values given in the paper. Furthermore, we establish the convergence rate and selection consistency of the proposed estimator under various scenarios involving dimensionality and the effect space. Through simulation studies, we thoroughly evaluate the superior performance of our method in terms of bias and empirical efficiency. Finally, we apply the method to analyse and forecast data from environmental monitoring and Alzheimer’s Disease Neuroimaging Initiative study, revealing interesting findings and achieving smaller out-of-sample prediction errors compared to existing methods.