Penalized spatial function-on-function regression
惩罚化空间函数型函数对函数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦函数型数据的空间回归估计与渐近理论，属于函数型数据与空间计量方法，未直接对应所提供的微观因果、面板、时间序列、金融等任一领域细分，故留空。
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…
惩罚化空间函数型函数对函数回归
- 研究问题
- 摘要称，现有函数对函数回归方法多假设观测相互独立，难以处理具有空间结构的函数型数据；本文研究如何在存在空间依赖时估计函数型协变量与函数型响应之间的关系。
- 方法与思路
- 作者提出惩罚化空间函数对函数回归模型，将广义空间两阶段最小二乘估计量推广到函数型数据，并用B样条张量积对回归系数函数施加粗糙度惩罚，以实现平滑并缓解过拟合。
- 材料陈述的贡献
- 摘要称该惩罚化空间两阶段最小二乘估计量能刻画空间依赖，提升估计精度与预测表现；作者建立了估计量的渐近性质，包括根号n相合性与渐近正态性，并通过蒙特卡洛模拟与北达科他州气象数据应用展示其表现。
- 阅读关注点
- 阅读全文时应核对：空间依赖的具体建模形式与识别条件、粗糙度惩罚与平滑参数的选择方式、渐近性质所需的正则条件、模拟设计是否覆盖摘要所称的中等到强空间依赖，以及气象数据应用中变量定义与结果解释。
- 阅读边界
- 仅凭摘要无法判断估计量的有限样本表现、惩罚参数选择的敏感性、与既有方法比较的公平性及结论的稳健性；摘要未说明空间权重矩阵设定、渐近理论的具体假设细节与实证数据的处理方式。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
The function-on-function regression model is fundamental for analyzing relationships between functional covariates and responses. However, most existing function-on-function regression methodologies assume independence between observations, which is often unrealistic for spatially structured functional data. We propose a novel penalized spatial function-on-function regression model to address this limitation. Our approach extends the generalized spatial two-stage least-squares estimator to functional data, while incorporating a roughness penalty on the regression coefficient function using a tensor product of B-splines. This penalization ensures optimal smoothness, mitigating overfitting, and improving interpretability. The proposed penalized spatial two-stage least-squares estimator effectively accounts for spatial dependencies, significantly improving estimation accuracy and predictive performance. We establish the asymptotic properties of our estimator, proving its $\sqrt{n}$-consistency and asymptotic normality under mild regularity conditions. Extensive Monte Carlo simulations demonstrate the superiority of our method over existing non-penalized estimators, particularly under moderate to strong spatial dependence. In addition, an application to North Dakota weather data illustrates the practical utility of our approach in modeling spatially correlated meteorological variables. Our findings highlight the critical role of penalization in enhancing robustness and efficiency in spatial function-on-function regression models. To implement our method we used the \texttt{robflreg} package on CRAN.