Local Signal Detection on Irregular Domains with Generalized Varying Coefficient Models
利用广义变系数模型检测不规则区域中的局部信号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：摘要研究通用空间变系数与局部信号检测，未明确涉及所列因果、网络或其他经济计量细分。
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…
利用广义变系数模型检测不规则区域中的局部信号
- 研究问题
- 在形状不规则的空间区域中，如何估计随位置变化的回归效应、识别效应为零的局部区域，并量化区域识别的不确定性？
- 方法与思路
- 作者用三角剖分上的二元样条逼近变系数函数，对各三角形样条系数的 L2 范数施加局部惩罚，并构造模型置信区域。
- 材料陈述的贡献
- 摘要称，方法能适应不规则区域，提供局部二次近似算法，并建立系数函数与零效应区域估计的一致性，以模拟和实际分析展示表现。
- 阅读关注点
- 核对剖分与惩罚选择、零区域边界附近的信号要求、模型置信区域的覆盖对象，以及函数一致性和区域一致性的度量。
- 阅读边界
- 所给为 OpenAlex 索引摘要，稿件版本未注明。摘要未说明正则条件、覆盖率保证或应用领域，不能把零回归系数区域直接解释为无因果效应。
原文摘要
In spatial analysis, it is essential to understand and quantify spatial or temporal heterogeneity. This paper focuses on the generalized spatially varying coefficient model (GSVCM), a powerful framework to accommodate spatial heterogeneity by allowing regression coefficients to vary in a given spatial domain. We propose a penalized bivariate spline method for detecting local signals in GSVCM. The key idea is to use bivariate splines defined on triangulation to approximate nonparametric varying coefficient functions and impose a local penalty on L2 norms of spline coefficients for each triangle to identify null regions of zero effects. Moreover, we develop model confidence regions as the inference tool to quantify the uncertainty of the estimated null regions. Our method partitions the region of interest using triangulation and efficiently approximates irregular domains. In addition, we propose an efficient algorithm to obtain the proposed estimator using the local quadratic approximation. We also establish the consistency of estimated nonparametric coefficient functions and the estimated null regions. The numerical performance of the proposed method is evaluated in both simulation cases and real data analysis.