Moran's I Lasso for models with spatially correlated data
空间相关数据模型中的 Moran’s I LassoAI 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：摘要研究空间相关回归中的特征向量选择，未明确网络干扰、面板或结构估计问题，现有细分缺少直接对应类别。
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…
空间相关数据模型中的 Moran’s I Lasso
- 研究问题
- 在线性回归的特征向量空间滤波中，如何利用空间相关信息选择空间权重矩阵的特征向量，并降低已有选择程序的计算负担？
- 方法与思路
- 作者提出 Mi-Lasso，将 Moran 统计量包含的信息用于 Lasso 选择程序，推导性能界和选择一致性的条件，并进行模拟与房价应用。
- 材料陈述的贡献
- 摘要称方法比交叉验证 Lasso 和已有前向逐步程序更快，并在考察的模拟设置中具有较小偏差和均方误差，房价应用也表现良好。
- 阅读关注点
- 应核对 Moran 信息如何决定惩罚、空间权重矩阵的设定和一致选择条件，并检查计算时间与估计误差比较采用的共同基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明性能界的条件与数值规模，空间相关调整也不自动形成因果识别。
原文摘要
This paper proposes a Lasso-based estimator which uses information embedded in the Moran statistic to develop a selection procedure called Moran's I Lasso (Mi-Lasso) to solve the Eigenvector Spatial Filtering (ESF) eigenvector selection problem. ESF uses a subset of eigenvectors from a spatial weights matrix to efficiently account for any omitted cross-sectional correlation terms in a classical linear regression framework, thus does not require the researcher to explicitly specify the spatial part of the underlying structural model. We derive performance bounds and show the necessary conditions for consistent eigenvector selection. The key advantages of the proposed estimator are that it is intuitive, theoretically grounded, and substantially faster than Lasso based on cross-validation or any proposed forward stepwise procedure. Our main simulation results show the proposed selection procedure performs well in finite samples. Compared to existing selection procedures, we find Mi-Lasso has one of the smallest biases and mean squared errors across a range of sample sizes and levels of spatial correlation. An application on house prices further demonstrates Mi-Lasso performs well compared to existing procedures.