A semiparametric autorregresive spatial prediction model
半参数空间自回归预测模型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。
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：摘要聚焦空间预测，未明确涉及面板、单位间因果干扰或其他给定细分方向，分类证据不足。
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…
半参数空间自回归预测模型
- 研究问题
- 如何在空间预测中兼顾协变量效应的可解释性和空间依赖的灵活性，减少对特定协方差结构的限制？
- 方法与思路
- 作者将线性协变量部分与非参数估计的空间项结合，构建半参数空间自回归模型，并以模拟和真实数据评价表现。
- 材料陈述的贡献
- 摘要称，作者建立一致性和渐近正态性；方法相较地统计方法具有竞争性预测表现，相较空间计量模型改善可解释性。
- 阅读关注点
- 应核对空间项的定义与估计、线性部分和空间部分的可区分性，以及空间渐近框架、预测验证方式和比较基准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明数据、正则条件及比较指标，不能判断优势的具体范围。
原文摘要
In this paper we propose a semiparametric spatial autoregressive model that combines a linear covariate component with a nonparametrically estimated spatial term, allowing flexible dependence modeling without restrictive covariance structure while preserving interpretability. We establish asymptotic properties, including consistency and asymptotic normality, and evaluate performance through simulations and real data. Results show competitive predictive accuracy relative to geostatistical methods and improved interpretability compared to spatial econometric models.