Autoregressive Model With Spatial Dependence and Missing Data
具有空间依赖与缺失数据的自回归模型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：摘要明确研究自回归模型与时间序列依赖，因此按方法归入时间序列方向，其北京污染数据应用未提供其他细分方向的直接依据。
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…
具有空间依赖与缺失数据的自回归模型
- 研究问题
- 当数据同时存在时间依赖、空间相关误差和缺失观测时，如何联合描述这些特征，并估计时间与空间部分的模型参数？
- 方法与思路
- 作者用完全观测协变量的逻辑回归描述缺失机制，以自回归和空间误差模型处理两类依赖，分别构建加权最小二乘与加权极大似然估计。
- 材料陈述的贡献
- 摘要称作者研究了两类估计量的渐近性质，通过广泛模拟考察有限样本表现，并以北京 PM2.5 数据展示模型应用。
- 阅读关注点
- 应核对缺失机制与权重的有效性条件、空间依赖的具体设定、两部分估计如何衔接，以及渐近理论所要求的采样结构。
- 阅读边界
- 摘要未说明缺失机制可识别的条件、权重估计误差的影响及空间结构设错的后果；模拟和污染数据应用的表现仍需核对全文。
原文摘要
We study herein an autoregressive model with spatially correlated error terms and missing data. A logistic regression model with completely observed covariates is used to model the missingness mechanism. An autoregressive model is used to accommodate time series dependence, and a spatial error model is used to capture spatial dependence. To estimate the model, a weighted least squares estimator is developed for the temporal component, and a weighted maximum likelihood estimator is developed for the spatial component. The asymptotic properties for both estimators are investigated. The finite sample performance is assessed through extensive simulation studies. A real data example about Beijing’s PM2.5 level data is illustrated.