Nonparametric estimation of the variogram and its spectrum
变异函数及其谱的非参数估计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：摘要聚焦空间过程和温度变化数据，未提供所列宏观时间序列或其他经济学细分领域的直接证据。
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
变异函数及其谱的非参数估计
- 研究问题
- 对于内蕴平稳空间过程，如何灵活估计变异函数，同时保证估计结果满足其有效性要求，并降低参数模型误设的影响？
- 方法与思路
- 作者从变异函数的谱表示出发，通过二次规划求解正则化逆问题来估计谱，再据此构造条件负定的变异函数估计。
- 材料陈述的贡献
- 摘要称，估计结果保证条件负定；模拟中在模型误设时通常具有较小的积分均方误差，并应用于十年温度变化空间数据。
- 阅读关注点
- 应核对内蕴平稳性的使用方式、谱逆问题的正则化选择，以及条件负定保证和误设比较分别依赖哪些条件与设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。正则化规则、模拟范围和误差差异未说明，不能据此断言普遍优于参数方法。
原文摘要
In the study of intrinsically stationary spatial processes, a new nonparametric variogram estimator is proposed through its spectral representation. The methodology is based on estimation of the variogram’s spectrum by solving a regularized inverse problem through quadratic programming. The estimated variogram is guaranteed to be conditionally negative-definite. Simulation shows that our estimator is flexible and generally has smaller mean integrated squared error than the parametric estimator under model misspecification. Our methodology is applied to a spatial dataset of decadal temperature changes.