Sparse generalized Yule–Walker estimation for large spatio-temporal autoregressions with an application to NO2 satellite data
大型时空自回归的稀疏广义 Yule–Walker 估计：卫星二氧化氮数据应用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：摘要直接研究带时间滞后的时空自回归及预测改进，应用为环境数据，未据此归为宏观面板。
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
大型时空自回归的稀疏广义 Yule–Walker 估计：卫星二氧化氮数据应用
- 研究问题
- 高维时空数据中，如何不预先指定空间交互矩阵，而从数据同时估计空间依赖和时间依赖并进行预测？
- 方法与思路
- 作者对含时间滞后和空间滞后的模型施加稀疏性，通过惩罚 Yule–Walker 方程估计，并为网格数据设计收缩方式。
- 材料陈述的贡献
- 摘要称，文章给出有限样本误差界和维度、样本量共同增长时的一致性；伦敦卫星数据应用显示预测改善和空间交互。
- 阅读关注点
- 应核对稀疏性与稳定性条件、方程识别空间系数的机制，以及网格收缩和预测基准是否适合目标数据。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本；误差界条件、调参方法和预测改善幅度未说明，不能推断后续刊本变化。
原文摘要
We consider a high-dimensional model in which variables are observed over time and space. The model consists of a spatio-temporal regression containing a time lag and a spatial lag of the dependent variable. Unlike classical spatial autoregressive models, we do not rely on a predetermined spatial interaction matrix, but infer all spatial interactions from the data. Assuming sparsity, we estimate the spatial and temporal dependence fully data-driven by penalizing a set of Yule–Walker equations. This regularization can be left unstructured, but we also propose customized shrinkage procedures when observations originate from spatial grids (e.g. satellite images). Finite sample error bounds are derived and estimation consistency is established in an asymptotic framework wherein the sample size and the number of spatial units diverge jointly. Exogenous variables can be included as well. A simulation exercise shows strong finite sample performance compared to competing procedures. As an empirical application, we model satellite measured nitrogen dioxide (NO2) concentrations in London. Our approach delivers forecast improvements over a competitive benchmark and we discover evidence for strong spatial interactions.