Maximum Likelihood Estimation for Spatial Models by Markov Chain Monte Carlo Stochastic Approximation
通过马尔可夫链蒙特卡洛随机逼近计算空间模型的最大似然估计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：摘要讨论空间统计模型的计算算法，未明确涉及经济网络、干扰效应或所列其他细分方向。
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
通过马尔可夫链蒙特卡洛随机逼近计算空间模型的最大似然估计
- 研究问题
- 研究如何高效计算一类空间模型的最大似然估计，并在用户设定目标精度后自动决定何时停止迭代。
- 方法与思路
- 作者提出两阶段算法，结合 MCMC 抽样、离线平均与自适应搜索方向等随机逼近方法，并加入自动停止准则。
- 材料陈述的贡献
- 摘要称，算法用于三个空间模型的模拟和实证；在 Wiebe 小麦数据上，相比直接使用经典 Robbins–Monro 算法至少快十五倍。
- 阅读关注点
- 应核对两阶段设计、链的混合要求与精度判定方式，特别是十五倍速度比较采用的精度、初始化和计算口径。
- 阅读边界
- 仅据 Crossref 摘要；速度结果来自指定数据与比较方案，摘要未说明完整收敛条件，不能推广为普遍加速或推断版本变化。
原文摘要
Summary We propose a two-stage algorithm for computing maximum likelihood estimates for a class of spatial models. The algorithm combines Markov chain Monte Carlo methods such as the Metropolis–Hastings–Green algorithm and the Gibbs sampler, and stochastic approximation methods such as the off-line average and adaptive search direction. A new criterion is built into the algorithm so stopping is automatic once the desired precision has been set. Simulation studies and applications to some real data sets have been conducted with three spatial models. We compared the algorithm proposed with a direct application of the classical Robbins–Monro algorithm using Wiebe's wheat data and found that our procedure is at least 15 times faster.