Resampling methods for spatial regression models under a class of stochastic designs
随机设计下空间回归模型的重抽样方法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：摘要涉及空间采样与空间回归重抽样，空间相关本身不足以归入网络与干扰。
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
随机设计下空间回归模型的重抽样方法
- 研究问题
- 研究采样位置由可能非均匀的随机设计生成且分布不规则时，如何对空间回归参数进行有效的自助法推断。
- 方法与思路
- 作者分析网格数据块自助法直接扩展的失效问题，提出修改的分块机制，以逼近一类空间回归 M 估计量的分布。
- 材料陈述的贡献
- 摘要称新块自助法提供有效的分布近似，并通过较大规模模拟和一个真实数据例子考察有限样本性质。
- 阅读关注点
- 阅读全文应核对随机采样设计、空间依赖与分块尺度的条件，以及原有方法失效和新方法有效的具体范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出依赖条件、分块规则及模拟数值，也未明确数据例子。
原文摘要
In this paper we consider the problem of bootstrapping a class of spatial regression models when the sampling sites are generated by a (possibly nonuniform) stochastic design and are irregularly spaced. It is shown that the natural extension of the existing block bootstrap methods for grid spatial data does not work for irregularly spaced spatial data under nonuniform stochastic designs. A variant of the blocking mechanism is proposed. It is shown that the proposed block bootstrap method provides a valid approximation to the distribution of a class of M-estimators of the spatial regression parameters. Finite sample properties of the method are investigated through a moderately large simulation study and a real data example is given to illustrate the methodology.