Gradient Boosting for Spatial Regression Models with Autoregressive Disturbances
具有自回归扰动的空间回归模型的梯度提升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：摘要研究空间回归与高维预测，未明确对应所列网络干扰、时间序列或其他细分方向。
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…
关注这篇论文的作者
具有自回归扰动的空间回归模型的梯度提升
- 研究问题
- 在高维空间数据中，如何估计具有自回归扰动的回归模型，并同时进行变量与模型选择，提高样本外空间预测表现？
- 方法与思路
- 作者提出模块化的模型驱动梯度提升算法，通过控制偏差与方差施加隐式正则化，并以模拟及德国地区预期寿命案例评估。
- 材料陈述的贡献
- 摘要称，该方法在既有估计器无法给出唯一解的高维情形仍可实施，并支持数据驱动选择和改善样本外预测。
- 阅读关注点
- 应核对空间权重与扰动结构、提升步骤和停止规则，以及模拟比较基准、空间样本外划分和变量选择的评价方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出理论条件、误差幅度或预测划分细节，不能确认普遍优越性。
原文摘要
Researchers in urban and regional studies increasingly deal with spatial data that reflects geographic location and spatial relationships. As a framework for dealing with the unique nature of spatial data, various spatial regression models have been introduced. In this article, a novel model-based gradient boosting algorithm for spatial regression models with autoregressive disturbances is proposed. Due to the modular nature, the approach provides an alternative estimation procedure which is feasible even in high-dimensional settings where established quasi-maximum likelihood or generalized method of moments estimators do not yield unique solutions. The approach additionally enables data-driven variable and model selection in low- as well as high-dimensional settings. Since the bias-variance trade-off is also controlled in the algorithm, implicit regularization is imposed which improves prediction accuracy on out-of-sample spatial data. Detailed simulation studies regarding the performance of estimation, prediction and variable selection in low- and high-dimensional settings confirm proper functionality of the proposed methodology. To illustrative the functionality of the model-based gradient boosting algorithm, a case study is presented where the life expectancy in German districts is modeled incorporating a potential spatial dependence structure.