Logistic regression for spatial Gibbs point processes
空间 Gibbs 点过程的逻辑回归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：研究对象是空间点过程，使用逻辑回归并不直接构成经济学离散选择研究。
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 Gibbs 点过程的逻辑回归
- 研究问题
- 如何以计算较高效的方法拟合空间 Gibbs 点过程，避免数值求积引入的偏差，并为参数估计提供渐近推断依据？
- 方法与思路
- 作者使用逻辑回归拟合空间点模式，其得分构成无偏估计函数且与伪似然得分相关，实施过程无需数值求积。
- 材料陈述的贡献
- 摘要称，作者对平稳过程证明估计量的强相合性和渐近正态性，提出方差估计量，并以真实数据和模拟展示方法。
- 阅读关注点
- 应核对逻辑回归样本的构造、无偏得分与伪似然的关系，以及强相合性、渐近正态性和方差估计所需的完整条件。
- 阅读边界
- 仅据RePEc所给摘要；平稳性之外的理论条件、模拟配置和效率指标未说明，不能确认适用范围或推断其他版本变化。
原文摘要
We propose a computationally efficient technique, based on logistic regression, for fitting Gibbs point process models to spatial point pattern data. The score of the logistic regression is an unbiased estimating function and is closely related to the pseudolikelihood score. Implementation of our technique does not require numerical quadrature, and thus avoids a source of bias inherent in other methods. For stationary processes, we prove that the parameter estimator is strongly consistent and asymptotically normal, and propose a variance estimator. We demonstrate the efficiency and practicability of the method on a real dataset and in a simulation study.