A Composite Likelihood Approach to Binary Spatial Data
二元空间数据的复合似然方法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：空间二元数据与成对似然是明确主题，但摘要没有网络干扰、离散选择行为或所列其他方向的证据。
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
二元空间数据的复合似然方法
- 研究问题
- 在只能获得二元或阈值指示观测、精确测量成本较高的空间研究中，如何以计算简便的方法进行估计与空间预测。
- 方法与思路
- 作者以成对似然贡献构造空间二元数据的估计与预测方法，讨论估计量的大样本性质，并应用于马萨诸塞州虫害指示数据。
- 材料陈述的贡献
- 摘要称，文章提供计算简单的空间二元数据方法，获得估计量的大样本性质，并通过舞毒蛾造成的落叶数据展示应用。
- 阅读关注点
- 应核对二元空间模型的设定、成对信息的选取方式、预测目标，以及大样本理论采用何种空间采样与依赖条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；空间模型、渐近条件及预测误差未说明，不能推断其他版本变化。
原文摘要
Conventional geostatistics addresses the problem of estimation and prediction for continuous observations. But in many practical applications in public health, environmental remediation, or ecological research the most commonly available data are in the form of counts (e.g., number of cases) or indicator variables denoting above or below threshold values. Also, in many situations it is less expensive to obtain an imprecise categorical observation than to obtain precise measurements of the variable of interest (such as a contaminant). This article proposes a computationally simple method for estimation and prediction using binary or indicator data in space. The proposed method is based on pairwise likelihood contributions, and the large-sample properties of the estimators are obtained in a straightforward manner. We illustrate the methodology through application to indicator data related to gypsy moth defoliation in Massachusetts.