varycoef: An R Package for Gaussian Process-based Spatially Varying Coefficient Models
varycoef：基于高斯过程的空间变系数模型 R 包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。
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：摘要明确展示时间序列数据上的变系数建模应用，支持时间序列分类。
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…
varycoef：基于高斯过程的空间变系数模型 R 包
- 研究问题
- 如何估计、预测并筛选由高斯过程定义的空间变系数线性模型，同时在较大数据集上保持计算可行性与系数解释的便利性？
- 方法与思路
- 作者介绍 varycoef 包，以高斯过程刻画系数变化，并结合并行计算、基于模型的优化及协方差截尾，开展估计、预测和变量选择。
- 材料陈述的贡献
- 摘要称该包实现了高斯过程变系数模型的多项分析功能，展示空间与时间序列应用，并通过计算技术支持较大数据集上的模型估计。
- 阅读关注点
- 应核对系数过程与协方差的设定、截尾带来的近似误差、变量选择准则，以及大样本计算耗时和预测表现的比较依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明适用的数据规模、具体计算成本或模型误设下的表现。
原文摘要
Gaussian processes (GPs) are well-known tools for modeling dependent data with applications in spatial statistics, time series analysis, or econometrics. In this article, we present the R package varycoef that implements estimation, prediction, and variable selection of linear models with spatially varying coefficients (SVC) defined by GPs, so called GP-based SVC models. Such models offer a high degree of flexibility while being relatively easy to interpret. Using varycoef, we show versatile applications of (spatially) varying coefficient models on spatial and time series data. This includes model and coefficient estimation with predictions and variable selection. The package uses state-of-the-art computational statistics techniques like parallelization, model-based optimization, and covariance tapering. This allows the user to work with (S)VC models in a computationally efficient manner, i.e., model estimation on large data sets is possible in a feasible amount of time.