Subsampling Methods to Estimate the Variance of Sample Means Based on Nonstationary Spatial Data With Varying Expected Values
期望值变化的非平稳空间数据：样本均值方差的子抽样估计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：摘要研究非平稳空间格点的方差估计，未提供面板、网络干扰或其他所列细分方向的直接依据。
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
期望值变化的非平稳空间数据：样本均值方差的子抽样估计
- 研究问题
- 当格点数据的期望值与局部依赖结构随空间位置变化时，如何估计样本均值及其函数的方差，避免依赖平稳性假设？
- 方法与思路
- 作者提出非参数子抽样方法，考虑二维格点上期望值平滑变化或按方向加性分解、依赖结构可随位置变化的数据。
- 材料陈述的贡献
- 摘要称，在所考虑的均值结构和局部依赖假设下，给出一致的方差估计量及均方收敛率，并讨论林业卫星数据应用。
- 阅读关注点
- 应核对局部依赖与均值变化的具体条件、子抽样区域和尺度的选择，以及样本均值函数所需条件与收敛率证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断具体平滑性要求、边界处理或有限样本表现，也不能推断刊本变化。
原文摘要
Subsampling and block resampling methods have been suggested in the literature to nonparametrically estimate the variance of statistics computed from spatial data. Usually stationary data are required. However, in empirical applications, the assumption of stationarity often must be rejected. This article proposes nonparametric methods to estimate the variance of (functions of) sample means based on nonstationary spatial data using subsampling. We assume that data are observed on a lattice in some region of R2. In the data that we consider, the information in the different picture elements (pixels) of the lattice are allowed to come from different distributions, with smoothly varying expected values, or with expected values decomposed additively into directional components. Furthermore, pixels are assumed to be locally dependent, and the dependence structure is allowed to differ over the lattice. Consistent variance estimators for (functions of) sample means, together with convergence rates in mean square, are provided under these assumptions. An example with applications to forestry, using satellite data, is discussed.